Альтернатива голосовому введенню Google: диктуйте будь-де

Що голосове введення Google робить добре і де воно зупиняється

Спершу віддамо належне. Голосове введення Google безкоштовне з обліковим записом Google, не потребує жодного встановлення й працює в найновіших версіях Chrome, Edge та Safari. Усередині документа Docs, а також у нотатках доповідача й субтитрах у Slides розпізнавання цілком пристойне, а список мов довгий. Якщо ви все чернетите в Docs, він свій хліб відпрацьовує, і наш покроковий гайд із голосового введення в Google Docs детально розповідає про налаштування.

Зупинки так само конкретні. Розділові знаки — вручну: ви кажете «крапка», «кома», «знак питання», «новий абзац». І розділові знаки доступні не в кожній мові. Команди редагування й форматування працюють лише англійською — і лише коли і мова вашого облікового запису, і мова документа англійські. (Нотатки доповідача в Slides отримують голосове введення, але жодних голосових команд. Чому саме так — я теж не знаю.)

І та межа, з якої почалася ця стаття: функція існує всередині двох поверхонь Google і більше ніде. Gmail, Slack, ваша CRM, ваш редактор коду, вебформа — тиша. Це жодним чином не баг. Це безкоштовна функція робить рівно те, що каже її власна довідкова сторінка, не більше. Питання в тому, чи вміщається ваше письмо в цю коробку. А коли воно перестає слухати на середині речення — зазвичай винен мікрофон, а не ви; наші виправлення для голосового введення в Google Docs розбирають звичні причини.

Альтернатива голосовому введенню, що працює в кожному застосунку

Whisper робить протилежну ставку: диктування належить операційній системі, а не одному вебсайту. Ви натискаєте гарячу клавішу: Ctrl+Space на Windows або затиснутий Command+Option на Mac як «натисни-і-говори». Ви говорите. Ви відпускаєте. Текст приземляється там, де стоїть ваш курсор: у листі, вікні чату, клітинці таблиці, повідомленні коміту. Кроку з копіюванням немає, бо немає «вихідного документа», з якого треба копіювати.

Аргумент про швидкість — це проста арифметика. Диктування йде приблизно зі 145 слів за хвилину проти десь 40 для набору з клавіатури — назвімо це різницею в 3,6 раза. На MacBook Air з M1 і малою англійською моделлю проміжок між відпусканням клавіші й появою тексту — 1,4 секунди.

Під капотом ви обираєте один із трьох шляхів, і застосунок не обирає за вас. Хмарний режим під’єднується до OpenAI за вашим власним API-ключем і використовує gpt-4o-mini-transcribe або gpt-4o-transcribe. Parakeet, локальний рушій від NVIDIA, працює в 5–10 разів швидше за моделі Whisper на CPU й охоплює англійську плюс 24 європейські мови. А локальні опенсорсні моделі Whisper — від англійської моделі на 140 МБ до Large v3 на 3 ГБ. Застосунок виходить для Windows і для Mac на Apple Silicon.

Голосове введення Google проти Whisper, пліч-о-пліч

Критерії, обрані ще до таблиці: де інструмент друкує, у чому він працює, розділові знаки, голосові команди, охоплення мов, поведінка офлайн і форма ціни. Це ті сім речей, які вирішили все для мене, коли я ще користувався мікрофоном у Docs. Колонка Google взята з власної довідкової сторінки Google; колонка Whisper — з вихідного коду застосунку, який я бачу звідси.

Висновок збігається з першим абзацом: Whisper — це вибір тієї миті, коли ваше письмо виходить за межі Google Docs. Голосове введення Google лишається правильною відповіддю для тих, чиє письмо ніколи туди не виходить. Цьому випадку присвячено окремий розділ нижче, і я кажу це серйозно.

Голосове введення онлайн проти голосового введення на вашому комп’ютері

«Голосове введення онлайн» найчастіше означає сайт, який ви відкриваєте у вкладці: безкоштовну сторінку з кнопкою мікрофона, що транскрибує в текстове поле. Ці інструменти спираються на рушій розпізнавання мовлення браузера, і документація Web Speech API на MDN прямо каже, як це працює: «Ваше аудіо надсилається на вебсервіс для обробки розпізнавання, тож це не працюватиме офлайн». Та сама сторінка називає дві ціни, які за це платять: приватність, бо ваше мовлення залишає машину, і надійність, бо без з’єднання немає транскрипції.

Для разової нотатки сторінка голосового введення онлайн — цілком нормально. Податок з’являється з повторенням: кожне диктування закінчується «виділити, скопіювати, перемкнутися, вставити». Якось я надиктував список покупок не в ту вкладку й вставив його в бюджетну таблицю. Секунд на десять прогнози на третій квартал містили «йогурт, маленькі, не великі». Настільний інструмент усуває весь цей клас прикрощів, бо текст починається там, де й закінчується — на вашому курсорі. А коли мікрофон у браузері капризує, виправлення живе в налаштуваннях браузера, і це окремий вечір клопоту. Ми описали виправлення диктування в Chrome після того, як про це запитала достатня кількість людей.

Розділові знаки й шліфування: податок на редагування, який ніхто не рахує

Нудна правда в тому, що транскрипція ніколи не була повільною частиною. Повільне — це шліфування. З голосовим введенням Google ви промовляєте свої розділові знаки («крапка», «новий абзац»), що працює, але перетворює вас на людину, яка наговорює коми вголос. Я тестував ці команди для цієї статті, і мій тестовий документ зрештою містив слово «кома» одинадцять разів. Звичка йде за вами й додому: відтоді я закінчив вимовлене речення — у справжній розмові — словом «крапка».

Whisper натомість пропускає сирий транскрипт через прохід AI-шліфування: граматику виправлено, слова-паразити прибрано, розділові знаки поставлено там, де їм місце. У локальному режимі це працює через Ollama; у хмарному використовуються моделі OpenAI, з gpt-5-mini як шліфувальником за замовчуванням. Почніть речення з «Hey whisper» — і AI сприйме те, що йде далі, як інструкцію, а не як текст для набору: «Hey whisper, зроби цю відповідь ввічливою, але твердою» — це реальний робочий сценарій, а не демо. Різницю у відчутті важко переоцінити. Один інструмент просить вас виконувати форматування. Інший дозволяє говорити, як людина, і повертає те, що ви надіслали б як є.

Приватність: куди йде ваш голос

Ось думка, яку я обстоюватиму: диктування, що відправляє ваш голос на сервер, який ви не контролюєте — це проблема приватності, а для частини роботи це взагалі неприйнятно. Голосове введення в браузері працює, надсилаючи аудіо назовні для обробки. Для списку покупок це нормально. Але для чернетки контракту, медичної нотатки чи листа про шкільну ситуацію вашої дитини — це вже зовсім інша розмова.

Я зблизька спостерігав за коштовним боком цього уроку. Команда, з якою я працював, найняла підрядника зробити внутрішній прототип AI-диктування, що викликав хмарний API на кожне висловлювання. Наприкінці кварталу менеджер відкрив панель витрат: п’ятизначний рахунок, переважно через те, що одна команда транскрибувала записи стендапів по чотири рази, бо логіка повторних спроб була надто завзята. Підрядник запропонував оптимізувати промпт. Фінансовий директор запропонував не платити серверу за прослуховування зустрічей, які вже мали нотатки. Кожен у чомусь мав рацію.

Локальний режим Whisper не сперечається про це питання, а закриває його: модель працює на вашій машині, нічого не залишає пристрій, інтернет узагалі не потрібен. Та сама гаряча клавіша, той самий процес, нуль аудіо в дорозі.

Коли пропустити Whisper і лишитися з Google

Якщо кожне слово, яке ви диктуєте, приземляється в документ Google, лишайтеся з голосовим введенням Google. Воно нічого не коштує, воно вже в меню «Інструменти», і всередині Docs воно робить свою справу — з таким поєднанням важко сперечатися, і я не вдаватиму, що це не так. Те саме стосується випадку, коли ви диктуєте двічі на місяць: встановлювати настільний застосунок заради економії двох копіювань — це надмірна інженерія, і я кажу це професійно. Whisper заслуговує на своє місце, коли ваше письмо регулярно виходить за межі документа (пошта, чат, форми, нотатки) або коли важать розділові знаки від AI, офлайн-використання чи зберігання аудіо на вашій машині. До того ж безкоштовний вбудований інструмент — правильний інструмент.

Той лист учительці з початку сторінки зрештою таки був надісланий — надиктований просто в Gmail, без естафети через Docs, з розділовими знаками, які я не промовив жодним словом. Вкладка з Google Docs лишилася закритою. Ось усе порівняння в одну мить: безкоштовний інструмент просить ваше письмо прийти до нього, а альтернатива йде туди, де письмо вже є. Оберіть той напрямок, що пасує вашому дню.