Застосунки для перетворення голосу в текст, які варто використовувати

Що робить застосунок для перетворення голосу в текст

Застосунок для перетворення голосу в текст виконує дві роботи, які звучать як одна. По-перше, автоматичне розпізнавання мовлення слухає ваш мікрофон і записує слова. По-друге, етап форматування додає коми, великі літери та абзацні відступи, яких у сирому мовленні немає. Деякі застосунки на цьому й зупиняються. Кращі додають крок очищення з ШІ, що прибирає слова-паразити та підтягує формулювання. Whisper запускає цей етап ключовою фразою «Hey whisper».

Найважливіше — куди потрапляє текст. Транскрайбер зустрічей на кшталт Otter записує розмову й згодом видає вам розшифровку. Застосунок для диктування робить протилежне: ви натискаєте клавішу, говорите — і слова з’являються прямо там, де вже стоїть ваш курсор, у листі чи документі, який ви пишете. Це різні інструменти для різних завдань, і найбільша помилка, яку роблять люди, — платити не за той. Хтось купує транскрайбер зустрічей, щоб писати листи, або інструмент для письма, щоб записати вебінар, а потім дивується, чому здається, ніби застосунок із ним бореться. Справа не в застосунку. Справа в категорії.

Розпізнавання мовлення раніше також потребувало навчання. Ви сорок п’ять хвилин зачитували вголос список слів, щоб програма вивчила ваш голос, і навіть тоді вона помилялася в кожному третьому реченні. (Один мій родич якось жбурнув гарнітуру через усю кімнату. Гарнітура вціліла; експеримент із диктуванням — ні.) Сучасні застосунки все це пропускають. Модель приходить, уже знаючи 99 мов у багатомовних варіантах Whisper або сфокусовані 25 у швидшому рушії Parakeet, і працює з вашим акцентом одразу з коробки.

Натисніть гарячу клавішу, говоріть — текст з’являється

Уся суть продукту — у взаємодії. Ви утримуєте клавішу, говорите, відпускаєте — і текст вставлено в позиції курсора. Жодного вікна, яке треба відкривати, жодної кнопки запису, яку треба шукати, жодного копіювання-вставлення після.

У Windows гаряча клавіша за замовчуванням — Ctrl+Space. На Mac ви утримуєте Command і Option разом і відпускаєте будь-яку з них, щоб зупинити. Обидві можна налаштувати, і це важливіше, ніж звучить. Першого разу, коли користувач сказав мені, що моя гаряча клавіша конфліктує з його застосунком для малювання, я зрозумів, що «натисни одну клавішу» — на одну клавішу забагато, коли вона не та. Я жорстко її прописав, випустив і десь тиждень почувався розумником.

Більшість часу застосунок для диктування невидимий — лише гаряча клавіша та той накладний віджет. Налаштування — це місце, де ви обираєте, як він поводиться: який рушій працює, чи увімкнене очищення з ШІ, яку мову очікувати. Саме цього вибору вбудовані засоби ОС вам не дають.

Локально чи в хмарі — і чому це вирішує вашу приватність

Ось поділ, що вирішує все інше. Локально означає, що транскрипція відбувається на вашому власному ноутбуці, офлайн, і ніщо не залишає машину. Локальний конвеєр Whisper працює саме так із двома рушіями: багатомовні моделі Whisper для 99 мов і перекладу англійською, або Parakeet від NVIDIA, що в 5–10 разів швидший на процесорі, але охоплює 25 мов і жодних азійських писемностей. Хмара означає, що аудіо йде на сервер. Режим Cloud у Whisper — це OpenAI за принципом «свій ключ»: ви надаєте власний ключ API, він охоплює приблизно 57 мов, і аудіо — єдине, що залишає ваш пристрій.

Більшість вбудованих застосунків тихо обирають хмару за вас. Voice typing у Windows, наприклад, потребує інтернет-з’єднання. Microsoft прямо каже про це на власній сторінці довідки. Офлайн-поведінка Gboard залежить від того, чи завантажили ви мовний пакет на пристрій, а це різниться залежно від телефона. Справжні офлайн-варіанти вужчі, ніж натякає категорія: Dictation на iPhone працює без з’єднання на iPhone 6s і новіших, Dictation на Mac може обробляти загальний текст на пристрої, а локальний режим Whisper тримає все на вашій машині.

Якщо ви диктуєте таблицю зі своєю зарплатою чи чернетку юридичного листа, знати, чи покидає це аудіо ваш ноутбук, — не дрібниця для бороданів. Це різниця між приватним інструментом і таким, що веде журнал. Хмарні застосунки надолужують це однією річчю, яку сирі інструменти ОС оминають, — етапом очищення з ШІ, що перетворює «е-е, надішли його, е-е, завтра» на речення, яке ви справді надіслали б.

Застосунки, до яких я б потягнувся

Досить вступів. Ось що я сказав би другові біля шкільної брами, якби той запитав, — за пристроями.

• На телефоні користуйтеся мікрофоном клавіатури. І в Gboard на Android, і в клавіатурі iOS є кнопка мікрофона: торкніться, скажіть — готово. Це безкоштовно, уже встановлено, і для повідомлення чи швидкої нотатки це все, що вам потрібно. Жодного настільного застосунку, який варто встановлювати на телефон для цього, немає.

• У Windows почніть із Win+H. Натисніть клавішу Windows і H у будь-якому текстовому полі — і voice typing відкривається для всієї системи, без потреби в підписці Microsoft 365. Це потребує інтернету, але безкоштовно й працює всюди.
• На Mac почніть із Dictation. Увімкніть його в Системних налаштуваннях, натисніть клавішу мікрофона — і він друкує в будь-якому застосунку. Для загального тексту він може працювати на пристрої, а не дзвонити на сервери Apple.
• Коли вбудованого замало, встановіть настільний застосунок. Whisper — той, що я розробляю: гаряча клавіша для всієї системи, ваш вибір локального чи хмарного рушія, очищення з ШІ та офлайн-режим, якого інструменти ОС не пропонують. Увесь локальний конвеєр безкоштовний для будь-якого авторизованого користувача без картки під час реєстрації. Якщо ви на одній платформі, покрокова інструкція для Windows і покрокова інструкція для Mac розкривають налаштування крок за кроком.

Інші застосунки, про які варто знати

Кілька назв спливають щоразу, коли хтось це шукає, тож ось чесні однорядкові характеристики.

• Wispr Flow рекламує 100+ мов з автовизначенням і працює на Mac, Windows, iPhone та Android. Це платний кросплатформний варіант, якщо вам потрібен один інструмент усюди; ми написали повніше порівняння з Wispr Flow, якщо ви його зважуєте.
• Dragon Professional — це стара гвардія. Nuance рекламує до 99% точності з першого використання та диктування втричі швидше за набір, лише на Windows. Це серйозний платний професійний продукт.
• Otter.ai — це транскрайбер зустрічей, а не інструмент для диктування. Його безкоштовний тариф дає 300 хвилин на місяць, і він створений, щоб записувати розмови, а не друкувати у вашому курсорі. Правильний інструмент, не та категорія для більшості пошуків «застосунок для перетворення голосу в текст» — та сама пастка, що розглянута в нашому посібнику з програм для транскрипції.
• Dedicated dictation apps sit in the same category but lead with cursor-level typing rather than recording. If that is the angle you care about, our look at the modern dictation app covers what separates a good one from a glorified microphone button.

Коли пропустити окремий застосунок і скористатися вбудованим

Якщо ви лише розсилаєте тридцятислівні повідомлення та зрідка нотатку, не встановлюйте нічого. Apple Dictation безкоштовний, вбудований у ваш Mac та iPhone і працює в кожному застосунку, де можна друкувати. У користувачів Windows за ті самі гроші є Win+H. Вбудовані інструменти починають боліти десь на довшому, форматованому тексті: жодного очищення з ШІ, жодного вибору рушія, а в Windows — жодного офлайн-режиму. Ось ця межа. Нижче неї безкоштовний варіант, який Apple та Microsoft уже вам дали, — правильний вибір, і я волів би, щоб ви скористалися ним, ніж встановили мій для завдання, якому він не потрібен.

Щодо вартості діє та сама чесність. Вбудовані варіанти йдуть із вашим пристроєм і нічого не коштують. Локальний конвеєр Whisper теж безкоштовний для будь-якого авторизованого користувача, без потреби в способі оплати для початку; платна частина Cloud та її поточні цифри живуть на сторінці з цінами. Для використання на телефоні та швидких нотаток ви не повинні платити нікому й нічого. Для диктування для всієї системи з офлайн-режимом та очищенням з ШІ платний інструмент починає мати сенс.

Минулого вівторка я збирав ланч-бокси, відповідаючи на дозвіл зі школи: огірок в одній руці, гаряча клавіша під іншою, диктуючи «підписую дозвіл, надсилаю завтра» між тим моментом, коли менший спитав, чому місяця інколи немає. Лист пішов. Ланч-бокси зібрано. Раніше на це йшло п’ятнадцять хвилин однорукого набору. Який би застосунок зі цього списку ви не обрали, саме той момент ви викуповуєте назад.