Diktera till Gemini

Kan man redan prata med Gemini?

Ja. Gemini har inbyggd röstinmatning. I Gemini-appen på din telefon trycker du på mikrofonen och ställer din fråga; på en kompatibel enhet kan du till och med börja handsfree. På webben via gemini.google.com finns det också en mikrofon i promptområdet. Så om ditt mål är «fråga Gemini något högt och få ett svar» behöver du inget annat. Funktionen finns inbyggd i produkten.

Det vill jag göra klart direkt, för många artiklar om det här sökordet hoppar över det och går direkt till att sälja dig något. Geminis egna röstinmatning är genuint bra för snabba talade frågor. «Vad är vädret i Stockholm», «omvandla 200 gram till deciliter», «sammanfatta den här artikeln» — prata, lyssna, klart. Om det är allt du gör är det här en kort artikel: använd mikrofonen som redan finns.

Skillnaden uppstår i det ögonblick din prompt blir längre eller mer genomtänkt, och när du vill använda exakt samma vana någonstans som inte är Gemini. Det är resten av den här artikeln.

Varför skriva in prompten istället för att bara prata

När du pratar direkt in i en chatbots mikrofon går dina ord in och svaret kommer ut — men du ser aldrig prompten som redigerbar text först. För en enraders fråga är det okej. För en noggrann prompt är det det inte. Du sa «sammanfatta det här med en formell ton», mikrofonen hörde «sammanfatta det här med en formal ton», och nu gör modellen något lite fel och du spelar in allt igen. Att skriva in prompten i rutan först innebär att du läser den innan den körs.

Den andra anledningen är att vanan reser med dig. En genväg som skriver ditt tal i en textruta bryr sig inte om vilken ruta. Gemini idag, ChatGPT imorgon, en Claude-prompt dagen efter, ett Slack-meddelande, en commit-beskrivning, ett mejl till ditt barns lärare. Ett muskelminne, alla appar. Geminis mikrofon fungerar bara inne i Gemini — precis vad man kan förvänta sig, men det innebär att ett andra verktyg som fungerar överallt inte är redundant — det har en annan form.

Det snabbaste sättet: en systemövergripande genväg

Här är där en dedikerad app gör skillnad. Whisper by Remskill är inte ett Gemini-plugin, en Chrome-tillägg eller en Google-integration. Det är en skrivbordsapp som beter sig som ditt tangentbord: tryck på en genväg, tala, och transkriptet klistras in vid din markör — i vilken app som helst, inklusive Geminis promptruta. Det fungerar likadant i webbläsaren och på skrivbordet, för din dator uppfattar det som att du bara skriver.

Inställningen tar en minut:

Det är hela loopen. Transkriptet syns i rutan, du läser det, rättar vad som är fel, skickar.

Diktera en prompt direkt in i Gemini

När det väl är igång är upplevelsen anmärkningsvärt oanmärkningsvärd. Du placerar markören i Geminis promptruta, håller tangenten intryckt, säger din prompt, släpper. Ungefär en sekund senare sitter texten där som om du hade skrivit den. Nu gör du det live-mikrofonen inte låter dig göra: du läser den. Långa promptar — tre stycken bakgrund plus den faktiska frågan — är mycket lättare att få rätt när du kan se dem innan de körs.

Eftersom den lokala transkriptionen körs på din dator (ren Rust, ingen Python-sidecar, ingen server i loopen) fungerar den offline, och ljudet av det du dikterar lämnar aldrig din bärbara dator. Du skriver prompten med rösten och skickar den sedan själv till Gemini — dikteringssteget och AI-steget är separata, vilket är hela anledningen till att du kan redigera däremellan.

AI-rensningen tar bort «eh»-ljuden

Talat språk är stökigt. Du säger «eh», du börjar om meningar, du tappar tråden i ett ljud som betyder «du förstår vad jag menar». Whisper har ett valfritt AI-förbättringssteg som klipper bort utfyllnadsord och städar upp formuleringen innan den klistras in. Så «eh, kan du, kan du skriva mig typ ett, ett kort mejl som avböjer det här» blir «Kan du skriva mig ett kort mejl som avböjer det här». En renare prompt tenderar att ge ett renare svar, så det spelar faktiskt mer roll för AI-prompting än för vanliga anteckningar.

Den rensningen körs lokalt via Ollama, gratis, på din egen dator. Pro-användare kan istället routa det via molnet, men fördelen med att ta bort utfyllnadsord kräver inte Pro; det finns i den gratis lokala pipelinen. Du kan också stänga av det och klistra in råtranskriptet, vilket fungerar bra när du ändå ska läsa och redigera prompten.

Samma genväg fungerar i ChatGPT, Claude, överallt

Det här är delen som gör det separata verktyget värt besväret. Genvägen vet inte vad Gemini är. Den klistrar in text var din markör än befinner sig, så den exakta vanan du just lärt dig fungerar i ChatGPT, i Claude, i Perplexity, i ett Google-dokument, i din mejlklient, i kommentarsfältet för en pull request. Du lär dig ett grepp och slutar tänka på vilken AI du promptar idag. Geminis inbyggda mikrofon hjälper per design bara inne i Gemini.

Jag rör mig mellan tre eller fyra AI-verktyg under en normal vecka beroende på vad jag gör. Det jag inte ville ha var en annan röstknapp i var och en, med lite olika beteende. En genväg som skriver i alla är mindre att komma ihåg, och den fortsätter fungera när en av dem lanserar en ny design.

Hur den fullständiga Whisper-appen ser ut

Genvägen är den del du använder mest, men bakom den finns ett inställningsgränssnitt. Du väljer din transkriptionsmotor: Whisper-modeller, vars flerspråkiga varianter täcker 99 språk och de engelskspråkiga .en-versionerna täcker exakt ett, eller NVIDIAs Parakeet, ungefär 600 MB, 5 till 10 gånger snabbare än Whisper på CPU, för engelska plus 24 europeiska språk. Du ställer in din genväg, hanterar historik och sparar förval. Inget av detta krävs för att diktera en prompt in i Gemini. Det finns där när du vill finjustera.

När Geminis egna mikrofon räcker

Om du bara vill ställa snabba talade frågor till Gemini, hoppa över den separata appen helt. Öppna Gemini, tryck på eller klicka på mikrofonen, prata. Det är inbyggt, det är gratis, och för en enraders fråga finns det inget att vinna med ett andra verktyg — du lägger till ett steg, tar inte bort ett. Samma sak gäller röstfunktionerna i de andra stora chatbottarna när du bara arbetar i den appen.

En dedikerad genväg leder på tre ställen: långa promptar du vill läsa innan du skickar, rensningen av utfyllnadsord och att använda samma dikreringsvana i alla appar istället för bara Gemini. Ju mer dina promptar liknar riktigt skrivande — kontext, instruktioner, en fråga — och ju fler verktyg du rör dig mellan, desto mer spelar det roll.

Välj det minsta verktyget som löser ditt problem. För en talad fråga är det mikrofonen som redan finns i Gemini. För långa promptar dikterade via Gemini och ChatGPT och ett halvfärdigt mejl slutar den systemövergripande genvägen att kännas överdriven runt det andra stycket du inte behövde skriva.

Vad Whisper kostar

Den lokala dikterings-pipelinen — transkription och AI-rensning via Ollama — är gratis för alla inloggade användare, utan kort vid registrering. Att diktera promptar in i Gemini med Whisper kostar alltså ingenting. Whisper Pro lägger till molnfunktioner (OpenAI-transkription, moln-AI-förbättring, röstsökning på webben) och har en separat testperiod. De exakta siffrorna finns på prissidan, inte här, för priser förändras och ett blogginlägg är ett dåligt ställe att hålla dem aktuella.

Gemini kan redan höra dig, och för en snabb fråga är det slutet på historien — använd mikrofonen som finns. Anledningen att istället diktera prompten in i rutan är den del mikrofonen inte kan göra: du kan läsa den innan den körs, och du kan göra det på samma sätt i alla andra appar du pratar med. Två verktyg, två uppgifter. Det mesta av tiden räcker det mindre.