Oprogramowanie do pisania głosem: darmowe opcje wbudowane kontra płatne narzędzia

Czym jest oprogramowanie do pisania głosem

Oprogramowanie do pisania głosem to program, który przechwytuje dźwięk z twojego mikrofonu i zamienia go na tekst pisany za pomocą modelu rozpoznawania mowy. Starsza nazwa to oprogramowanie do dyktowania. Nowsza marketingowa nazwa to dyktowanie AI, co w większości oznacza to samo, z dołączonym modelem językowym poprawiającym interpunkcję i ton.

Występuje w trzech postaciach. Wbudowane dyktowanie jest dostarczane z systemem operacyjnym: pisanie głosem w Windows, Apple Dictation. Pisanie głosem w przeglądarce żyje wewnątrz jednej aplikacji, jak pisanie głosem w Google Docs. A dedykowane aplikacje na komputer instalują się osobno i działają we wszystkim, w czym piszesz. Postać ma większe znaczenie niż marka. Narzędzie przeglądarkowe, które pisze tylko wewnątrz Google Docs, jest bezużyteczne dla twoich wiadomości na Slacku, bez względu na to, jak dobra jest jego dokładność. Pierwsze pytanie, jakie należy zadać o każde narzędzie, nie brzmi, jak jest dokładne, ale gdzie pozwala ci pisać. Dokładność jest dziś rozwiązanym problemem dla większości z nich; zasięg nie.

To, co odróżnia poważne narzędzie od zabawki, to miejsce, w którym wkleja tekst. Narzędzia wbudowane i dedykowane aplikacje na komputer działają w całym systemie: naciskasz skrót w dowolnym polu tekstowym, a tekst się tam pojawia. To cała gra. Cała reszta — dokładność, języki, porządkowanie przez AI — to dodatek na wierzchu tego, czy narzędzie pisze tam, gdzie patrzysz.

Druga rzecz odróżnia kategorie: to, co model potrafi usłyszeć. Niektóre narzędzia obsługują tylko angielski. Inne obsługują dziesiątki języków i potrafią przełączać się w połowie zdania. Modele Whisper przeznaczone wyłącznie dla angielskiego obsługują dokładnie jeden język, podczas gdy jego wielojęzyczne wersje obejmują 99. Parakeet od NVIDIA plasuje się pośrodku, z 25 językami: angielskim plus 24 europejskimi. Jeśli piszesz wyłącznie po angielsku, nic z tego nie ma znaczenia i powinieneś wybierać według szybkości. Jeśli przed obiadem redagujesz w dwóch językach, ma to ogromne znaczenie. Większość ludzi przecenia, ilu języków potrzebuje, a nie docenia, jak bardzo zależy im na opóźnieniu. Opóźnienie między puszczeniem klawisza a zobaczeniem tekstu to coś, co czujesz za każdym razem.

Jeśli wolisz zobaczyć działającą wersję obejmującą cały system, niż czytać o kategorii, strona pisania głosem Whisper pokazuje pętlę przytrzymaj-skrót na Windows i Mac, z darmowymi lokalnymi silnikami w komplecie.

Jak to działa (i dlaczego dokładność w końcu się poprawiła)

Pod maską potok składa się z trzech kroków. Twój mikrofon nagrywa krótki klip audio. Model rozpoznawania mowy zamienia ten dźwięk w tekst. Następnie tekst zostaje wklejony, czasem po tym, jak model językowy go uporządkuje.

Skok dokładności, który wszyscy zauważyli, wziął się z modelu w środku. Otwartoźródłowy model Whisper od OpenAI zmienił to, co znaczy słowo dobry. Radzi sobie z akcentami, hałasem w tle i 99 językami w swoich wielojęzycznych wariantach, bez kroku trenowania. Ta ostatnia część to cicha rewolucja. Nie uczysz nowoczesnego oprogramowania do pisania głosem swojego głosu. Instalujesz je i mówisz.

Jestem na tyle stary, by pamiętać, kiedy to była fantastyka naukowa. Pod koniec lat 90. pewien krewny uruchamiał Dragon NaturallySpeaking na komputerze z Windows 98 i 64 MB pamięci RAM. Konfiguracja oznaczała czytanie na głos listy słów przez 45 minut, by oprogramowanie mogło skalibrować się do twojego głosu. Potem działało, ledwo, z dokładnością może 70%, z czterosekundowym opóźnieniem na zdanie. Podyktowanie jednego akapitu świątecznego listu zajmowało piętnaście minut. Słuchawki przeleciały przez pokój. Słuchawki przetrwały; eksperyment nie. Dwadzieścia pięć lat później to samo zadanie zajmuje dziewięćdziesiąt sekund i zero trenowania. Sprzęt dogonił pomysł.

Dziś istnieją dwa rodzaje środkowego kroku. Przetwarzanie lokalne uruchamia model na twoim własnym komputerze, offline, więc twój dźwięk nigdy nie opuszcza maszyny, tak jak działa zamiana mowy na tekst offline. Przetwarzanie w chmurze wysyła dźwięk na serwer, co może być szybsze na słabym sprzęcie, ale oznacza, że twoje słowa podróżują. To, którego chcesz, zależy od tego, co dyktujesz. Lista zakupów — kogo to obchodzi. Umowa twojego klienta — może obchodzi.

Trzeci krok, porządkowanie, to miejsce, w którym mieszka AI w dyktowaniu AI. Surowa transkrypcja daje ci ścianę słów bez podziałów na akapity i z okazjonalnym „yyy”. Model językowy potrafi poprawić interpunkcję, usunąć przerywniki, a nawet dopasować ton, o jaki poprosisz. W Whisper by Remskill ten krok jest opcjonalny i działa lokalnie przez Ollama lub w chmurze przez twój własny klucz OpenAI, jeśli włączysz Pro. Możesz go też wywołać głosem: wypowiedz frazę aktywującą, obecnie „Hey whisper”, a tekst zostaje przekazany do modelu zamiast wklejony surowy. Nic z tego nie zmienia podstawowej sztuczki. To po prostu decyduje, jak dopracowane są słowa, gdy się pojawiają.

Darmowe opcje, które już masz: pisanie głosem w Windows, Apple Dictation, Google Docs

Zanim za cokolwiek zapłacisz, sprawdź, co już masz na komputerze. Trzy darmowe wbudowane opcje pokrywają sporo terenu.

Pisanie głosem w Windows

W Windows 11 naciśnij klawisz z logo Windows plus H w dowolnym polu tekstowym, a pojawi się pasek pisania głosem. Jest dobry do szybkich wiadomości. Haczyk: do działania potrzebuje połączenia z internetem i działającego mikrofonu, bo rozpoznawanie odbywa się w chmurze. Obsługuje 43 języki według listy Microsoftu. Jeśli jesteś offline w pociągu, przestaje działać. Pełny opis krok po kroku znajdziesz w naszym przewodniku po zamianie mowy na tekst w Windows.

Apple Dictation

Na Macu włącz je w Ustawieniach systemowych, Klawiatura, Dyktowanie, a następnie uruchom je klawiszem mikrofonu lub wybranym skrótem. Obecna wersja transkrybuje tekst dowolnej długości i zatrzymuje się dopiero po 30 sekundach ciszy, a nie po sztywnym limicie czasu. Na Apple Silicon potrafi przetwarzać twoją mowę na urządzeniu. Do krótkich notatek jest darmowe i w porządku; dłuższa konfiguracja jest opisana w zamianie mowy na tekst na Mac.

Pisanie głosem w Google Docs

Otwórz dokument Google w Chrome, Edge lub Safari, kliknij Narzędzia, a następnie Pisanie głosowe, i pojawi się okienko mikrofonu. Obsługuje ponad 100 języków i odmian regionalnych. Twarde ograniczenie jest wprost w nazwie: pisze tylko wewnątrz Google Docs i Slides. Nie napisze twojego e-maila, twojego Slacka ani twojego kodu.

Szczery sposób odczytania tej trójki: to prawdziwe narzędzia, nie demka, i dla sporej części ludzi są one końcem poszukiwań. To, gdzie się zatrzymują, jest przewidywalne. Pisanie głosem w Windows umiera w chwili, gdy stracisz sygnał. Pisanie głosem w Google Docs nigdy nie opuszcza dokumentu. Apple Dictation jest doskonałe na Macu i nieobecne wszędzie indziej. Jeśli twoja praca mieści się w tych granicach, skończyłeś. Zamknij tę kartę i naciśnij klawisz. Płatna kategoria istnieje dla pracy, która się nie mieści: dyktowanie przez cały dzień, offline w samolocie, w każdej aplikacji zamiast jednej, i dźwięk, który musi zostać na twoim własnym dysku.

Płatne narzędzia warte poznania (Dragon, Wispr Flow, Superwhisper, Voicy, Whisper by Remskill)

Gdy darmowym narzędziom zabraknie miejsca — gdy dyktujesz przez cały dzień albo potrzebujesz trybu offline, albo chcesz porządkowania przez AI — otwiera się płatna kategoria. Oto nazwy warte poznania, z jedną szczerą linijką o każdej.

Jeśli wolisz zobaczyć całe pole ustawione po kolei, oto najlepsze oprogramowanie do pisania głosem w rankingu.

Nie testowałem ich łeb w łeb na stoperze, więc nie będę udawał, że tak. Wybrałem poniższe nazwy na podstawie trzech rzeczy: udokumentowanego zasięgu platformowego (czy działa tam, gdzie naprawdę piszesz), udokumentowanego wsparcia offline (czy twój dźwięk opuszcza maszynę) i udokumentowanej liczby obsługiwanych języków. Tabela zawiera wyłącznie fakty, które publikuje każdy producent; pominąłem szybkość i dokładność, bo nie istnieje żaden neutralny benchmark obejmujący je wszystkie, a wymyślenie go byłoby dokładnie tym, od czego przyszedłem cię odwieść.

Dragon by Nuance to stara gwardia. Dragon Professional v16 reklamuje dyktowanie trzy razy szybsze niż pisanie na klawiaturze, z dokładnością rozpoznawania do 99% już od pierwszego użycia, i jest zoptymalizowany pod Windows 11. Te 99% to własna liczba Nuance, nie neutralny benchmark. Haczyk: Dragon Professional działa tylko na Windows, bez obecnej wersji na komputery Mac.

Wispr Flow, Superwhisper i Voicy to nowsza fala aplikacji do dyktowania AI. Owijają model mowy w czysty interfejs i dodają porządkowanie tonu lub formatowania. Są kompetentne. Wzorzec w większości tej kategorii jest taki sam: ta sama architektura — model mowy, interfejs i comiesięczna faktura — i to faktura najbardziej je różni. Jeśli to faktura jest częścią, która piecze, opisaliśmy szczerą alternatywę dla superwhisper, która utrzymuje cały lokalny potok darmowym na zawsze.

Whisper by Remskill, nasza aplikacja, to narzędzie na komputer dla Windows i macOS na Apple Silicon. Naciskasz skrót, mówisz, a tekst wkleja się przy kursorze w dowolnej aplikacji. Domyślny skrót to Ctrl+Space na Windows i akord push-to-talk Command+Option na Mac — przytrzymaj oba, puść którykolwiek, by zatrzymać. To, co wybierasz, to silnik. Wybierasz spośród trzech ścieżek: lokalny NVIDIA Parakeet (~600 MB, 5–10× szybszy niż Whisper na CPU, angielski plus 24 języki europejskie); lokalny Whisper (osiem modeli, 99 języków w wersjach wielojęzycznych, tłumaczenie na angielski); albo tryb Cloud, który wykorzystuje twój własny klucz OpenAI do gpt-4o-mini-transcribe lub gpt-4o-transcribe, bez żadnej prowizji z naszej strony. Cała lokalna transkrypcja jest w czystym Rust, bez Pythona. Pełne porównanie szerszego pola znajdziesz w naszym przeglądzie oprogramowania do transkrypcji.

Tu też pojawia się moja jedna opinia: najpierw spróbuj trybu lokalnego. Jeśli twój Mac to Apple Silicon, a twój PC pochodzi z ostatnich czterech lat, nie potrzebujesz chmury do codziennego dyktowania. Lokalny Parakeet zaczyna transkrypcję w znacznie mniej niż dwie sekundy na nowoczesnym sprzęcie, twój dźwięk nigdy nie opuszcza laptopa, a chmura jest awaryjnym wyjściem na chwile, gdy chcesz dokładności klasy OpenAI albo wyszukiwania w sieci, nie domyślnym ustawieniem. Sięgaj po sieć, gdy uderzysz w ścianę, nie wcześniej. Jestem typem architekta, który odruchowo sięga po większe, fantazyjniejsze rozwiązanie, a potem wygaduje się z powrotem. Najpierw lokalnie to ja wygadujący się z powrotem, publicznie, żebyś mógł pominąć część, w której tracę tydzień.

Praktyczny powód to sprzęt. Nowoczesny laptop ma już mikrofon i procesor na tyle szybki, by samodzielnie uruchomić model mowy. Wysyłanie jednego akapitu dźwięku na serwer i z powrotem, dla zadania, które twoja maszyna może wykonać offline w mniej niż dwie sekundy, to nawyk pozostały z czasów, gdy laptopy były zbyt wolne. Już nie są. Chmura zarabia na siebie w trudnych przypadkach: hałaśliwy pokój, nietypowy akcent, prośba wymagająca świeżej odpowiedzi z sieci wklejonej w twoją odpowiedź. Dla codziennego strumienia e-maili, notatek i czatu lokalnie startuje szybciej, jest prywatne domyślnie i darmowe dla zalogowanych użytkowników. Awaryjne wyjście jest tam, gdy go potrzebujesz; przez większość dni nie będziesz.

Kiedy pominąć dedykowaną aplikację i użyć wbudowanej

Oto część, którą pomija większość artykułów o najlepszym oprogramowaniu. Jeśli wysyłasz krótkie wiadomości — 30-słowny SMS, szybką odpowiedź na Slacku — darmowe dyktowanie, które już masz na komputerze, to wszystko, czego potrzebujesz. Pisanie głosem w Windows (klawisz Windows + H) i Apple Dictation są darmowe, są wbudowane i działają. Nie instaluj ani nie płać za nic, by napisać jedno zdanie. Dedykowana aplikacja zaczyna zarabiać na swoje miejsce, gdy dyktujesz często, potrzebujesz, by działała offline w samolocie, chcesz jej w każdej aplikacji, a nie tylko w jednej, albo zależy ci na tym, by twoje słowa zostały na twoim urządzeniu. Poniżej tego progu nudna prawda jest taka, że już masz właściwe narzędzie.

Ile kosztuje Whisper by Remskill

Whisper by Remskill jest darmowy dla każdego zalogowanego użytkownika dla całego lokalnego potoku: lokalnego Whisper, Parakeet, porządkowania przez AI opartego na Ollama, historii, własnego skrótu, pobierania modeli, bez konieczności podawania metody płatności przy rejestracji. Whisper Pro dodaje warstwę Cloud: transkrypcję w chmurze OpenAI, ulepszanie AI w chmurze i głosowe wyszukiwanie w sieci przez twój własny klucz OpenAI. Tryb Cloud nalicza ci opłaty bezpośrednio przez OpenAI; my nie bierzemy prowizji. Aktualne plany i okres próbny Pro znajdziesz na stronie cennika. Nie będę tu rzucał w ciebie liczbami; strona robi to lepiej, niż może to zrobić akapit.

Mój krewny rzucił słuchawkami przez pokój w 1999 roku, bo dyktowanie było 45-minutową mordęgą produkującą śmieci. Słuchawki przeżyły eksperyment. Dwadzieścia pięć lat później mordęga zniknęła. Naciskasz klawisz i mówisz, a słowa się pojawiają. Jedyna prawdziwa decyzja, jaka pozostała, to które narzędzie, a dla wielu ludzi właściwa odpowiedź siedzi już na ich komputerze, wyłączona, czekająca. Moje własne dzieci nigdy nie dowiedzą się, że kiedyś było to trudne, i o to właśnie chodzi, nawet jeśli daje to gorszą opowieść przy stole.