Голосовий ввід у GitHub: як це працює насправді

У GitHub немає голосового вводу. Усю роботу робить ваша гаряча клавіша.

Відповім на запитання, яке люди насправді вбивають у Google. Ні, у GitHub немає вбудованого голосового вводу. Жодної рідної диктовки в редакторі задач, формі пул-реквесту, панелі рев'ю, Discussions чи вікі. Це стандартні веб-текстові поля. Щоб диктувати в них, голос має надходити звідкись іще: з вашої операційної системи, з браузера або зі сторонньої програми.

GitHub ніколи не блокує диктовку. Він просто не дає жодної своєї. Тож варіантів у вас приблизно три. У вашій ОС диктовка вбудована — голосовий ввід Windows на Win+H або диктовка macOS. Браузерне розширення на кшталт Voice In може набирати текст у вкладці Chrome чи Edge. Або загальносистемна десктопна програма на кшталт Whisper диктує в будь-яке поле в будь-якій програмі — у браузері й поза ним.

Різниця між цими трьома — у засягу. Диктовка від ОС безкоштовна, працює на одній платформі за раз, а якість буває різна. Браузерне розширення живе тільки всередині вкладки — воно не піде за вами у ваше IDE чи в GitHub CLI, і працює в хмарі. Десктопна програма на кшталт Whisper не прив'язана до вкладки; оскільки вона працює на рівні ОС, то диктує в GitHub у Chrome, Firefox, Safari чи Edge, а ще й у повідомлення коміту в GitHub Desktop.

Що ви справді можете надиктувати (і єдине, що не можете)

Ось межа, яку я не дам вам випадково перетнути. Whisper диктує текст навколо вашого коду. Сам код він не напише.

А це, чесно кажучи, охоплює більшу частину дня розробника за клавіатурою. Звіти про задачі. Описи пул-реквестів. Нотатки до код-рев'ю. Відповіді в Discussions. README й markdown-документацію. Текст, що пояснює зміну, а не саму зміну. Коли ви проговорюєте абзац про те, чому міграція ризикована, Whisper упорається без проблем. А коли спробуєте надиктувати саму міграцію — на вас чекає кепський вечір.

Причина проста. Проговорений код не переживає цю подорож. Назви функцій, JSON, snake_case проти camelCase, прапорець kubectl, шлях до API — усе це виходить як англійський текст «як вийшло» і потребує ручного виправлення. Голосова модель чує «user underscore I D» і пише «user ID», і ось ви вже це виправляєте. Тож диктуйте речення на кшталт «цей PR виправляє перевірку на null в auth middleware», а сам ідентифікатор наберіть руками. Більшість тіл задач і пул-реквестів усе одно на 80% складаються з пояснень і на 20% — зі сніпетів коду. Надиктуйте 80, наберіть 20.

Натисніть гарячу клавішу, говоріть — і текст з'явиться в полі з фокусом

Механіка та сама, що й у будь-якій іншій програмі, — і в цьому весь сенс. Клацніть у поле GitHub, яке хочете заповнити. Утримуйте гарячу клавішу. Говоріть. Відпустіть. Розшифровка з'являється там, де курсор.

Гаряча клавіша за замовчуванням — Ctrl+Space на Windows і Command+Option на macOS. Обидві працюють у режимі push-to-talk: утримуйте, поки говорите, відпустіть, щоб зупинити. Їх можна змінити в налаштуваннях, якщо вони з чимось конфліктують — а якщо ви колись воювали з конфліктом гарячих клавіш, то знаєте, чому це налаштування заслужило своє місце (про це нижче).

Одна чесна деталь щодо охоплення. Whisper вставляє текст в одне поле, на якому стоїть фокус, по одному за раз. Він не заповнює всю форму задачі GitHub на одному диханні. Тож порядок для нової задачі такий: клацнути на заголовок, надиктувати його, клацнути на тіло, надиктувати й це. Два поля, два натискання. Це менше схоже на магію і більше на швидкого друкаря, який ніколи не торкається клавіатури. Саме така правильна ментальна модель.

Уся програма, наживо

Це справжня програма, що працює прямо тут, — не скріншот. Покопайтеся. Налаштування, вибір гарячої клавіші, вибір моделей — усе справжнє.

Кілька речей, які варто знати, поки клацаєте. Тут немає окремої вкладки для GitHub і немає «режиму GitHub», бо їх і не потрібно. Для Whisper опис пул-реквесту GitHub — це таке саме текстове поле, як будь-яке інше. Те саме налаштування, що диктує в редактор задач, диктує і в вашу пошту, і у ваше IDE. Ви налаштовуєте його один раз. Засяг — ось у чому й фішка.

Де це окупається: задачі, описи PR, рев'ю, обговорення

Окупається це на нудному, повторюваному писанні — на тому, що ви відкладаєте, бо набирати це руками — морока.

Задачі. Хороший звіт про баг — це здебільшого розповідь: що ви зробили, чого очікували, що сталося натомість. Це рідна стихія диктовки. Проговоріть кроки відтворення так, ніби пояснюєте їх колезі за сусіднім столом, а тоді вставте стектрейс руками.

Описи пул-реквестів. Тіло PR, яке всі ліняться писати, бо діф «говорить сам за себе» (ні, не говорить). Надиктуйте «чому» — контекст, потрібний рев'юеру, — і нехай діф розкаже «що».

Код-рев'ю. Коментарі до рев'ю — це там, де важливий тон і де люди недопояснюють. Проговорена нотатка до рев'ю зазвичай виходить людянішою й повнішою, ніж набрана між зустрічами. Ви напишете «це працює, але зламається, коли список порожній» замість просто «граничний випадок?».

Обговорення і документація. Довгий текст — а це саме те, у чому голос гарний, і саме те, що ніхто не хоче набирати. Вступ до README, відповідь у Discussions, посібник з міграції — надиктуйте чернетку, а markdown причешіть потім. Та сама логіка стосується диктовки в тікети Jira та інші трекери; GitHub — це просто ще одне поле в купі.

Автоматично причешіть диктовку

У сирій диктовці є зайве. «Е-е», «ну розумієш», речення, яке ви почали двічі. У Whisper є необов'язковий прохід ШІ для очищення, що виправляє слова-паразити, пунктуацію й регістр, тож задача чи PR читаються так, ніби ви писали їх старанно.

Є два варіанти. У безкоштовному локальному рівні очищення працює на вашій машині через Ollama. У Pro ви приносите власний ключ OpenAI, і очищення працює в хмарі — з доступними веб-відповідями на додачу. У будь-якому разі це необов'язково: вимкніть його — і отримаєте сиру розшифровку. Для описів PR я лишаю його ввімкненим, а для швидких коментарів — вимкненим, бо швидкий коментар не потребує редагування, а опис PR — потребує.

Одне, чого очищення не зробить, — це не врятує проговорений код. Воно шліфує англійський текст. Воно не знає, що ви мали на увазі getUserById, коли сказали «get user by I D». Диктуйте далі текст; ідентифікатори далі набирайте руками.

Офлайн і приватно: у локальному режимі ніщо не залишає вашу машину

Якщо ви диктуєте задачі й пул-реквести про код, який не є публічним, то куди йде звук — має значення. У локальному режимі Whisper розпізнавання відбувається повністю на вашій машині. Ніщо зі сказаного вами не надсилається в хмарний сервіс. Під час розпізнавання інтернет узагалі не потрібен — у мережу ви виходите лише раз, щоб одноразово завантажити модель, розмір якої коливається приблизно від 140 МБ до 3 ГБ залежно від обраної моделі.

Ось єдине місце, де я висловлю вам справжню думку. Диктовка лише в хмарі — це катастрофа приватності, яка тільки й чекає, щоб її розшифрували. Якось я спостерігав, як внутрішня команда за один квартал набила п'ятизначний хмарний рахунок, бо саморобний прототип диктовки надсилав кожне промовлене слово в API — і гірше за рахунок було те, що нотатки всіх про неанонсований продукт тепер жили в логах постачальника. Зарплатна таблиця вашого керівника, проблема безпеки, яку ви приватно заводите, пропрієтарна архітектура, яку ви описуєте в PR, — ніщо з цього не повинно залишати ваш ноутбук лише тому, що ви захотіли набрати абзац голосом. У вашій машині вже є мікрофон і процесор. Для одного абзацу їй не потрібен сервер у ланцюжку. Якщо ваш інструмент працює лише в хмарі — саме це я виправляв би в першу чергу.

Для чого це не призначено (писати код)

Можливо, ви прийшли сюди в пошуках способу писати код голосом, або пам'ятаєте «Hey, GitHub!» і дивуєтеся, куди воно поділося. Дві чесні відповіді.

«Hey, GitHub!» і GitHub Copilot Voice були технічним превʼю GitHub Next. GitHub закрив це превʼю у 2024 році. Воно так і не стало продуктом; здобуте перейшло в розширення VS Code Speech. Тож якщо допис у блозі радить вам сьогодні ввімкнути «Hey GitHub», він застарів на пару років.

Смуга «голос для коду» досі існує — просто живе вона у вашому редакторі й терміналі, а не на github.com. Розширення VS Code Speech (іноді його називають «Hey Code») дає змогу говорити з редактором і з Copilot Chat для коду й команд. А GitHub Copilot CLI нещодавно додав локальний голосовий ввід, що керує агентом Copilot у терміналі. Обидва призначені керувати кодом і ШІ-агентом. Жоден з них не диктує текст у задачу GitHub у вашому браузері. Це інша смуга — і саме нею володіє Whisper: текст навколо коду.

Коли пропустити Whisper у вашому робочому процесі GitHub

Я радше волів би, щоб ви користувалися правильним інструментом, а не тим, що роблю я. Тож ось коли Whisper варто пропустити.

Якщо вам насправді потрібно керувати Copilot чи редактором голосом — «виправ цю функцію», «запусти тести», «поясни цей блок» — це смуга коду й агента, а не тексту. Користуйтеся натомість розширенням VS Code Speech або голосовим вводом GitHub Copilot CLI. Вони говорять із машиною; Whisper пише слова, які читає людина.

Якщо ви лише зрідка диктуєте однорядковий коментар, ваша ОС уже робить це безкоштовно. Натисніть Win+H на Windows або ввімкніть диктовку на macOS — і можете кинути швидке речення в поле GitHub, нічого не встановлюючи. Whisper починає виправдовувати себе, коли ви пишете справжні абзаци в багатьох програмах, хочете, щоб це працювало офлайн, або хочете одну гарячу клавішу всюди замість функції ОС, яка покриває лише деякі поля. Нижче за цю планку вбудований варіант цілком годиться, і я не вдаватиму, що це не так.

Безкоштовно локально, а Pro — для хмари

Локальний конвеєр — розпізнавання, очищення ШІ на пристрої, гаряча клавіша, усе, що потрібно для диктовки в GitHub, — безкоштовний для авторизованих користувачів, і картка під час реєстрації не потрібна. Ви встановлюєте програму, входите й починаєте диктувати.

Whisper Pro додає хмарну частину: хмарне розпізнавання OpenAI, хмарне очищення ШІ з вашим власним ключем і веб-відповіді, з коротким пробним періодом для цього рівня. Для диктовки задач і пул-реквестів безкоштовного локального рівня вистачає на всю роботу. Цифри для Pro живуть на сторінці цін; я не цитуватиму їх вам посеред абзацу.

Ще одне про ту гарячу клавішу

Кілька слів про те, чому гаряча клавіша налаштовується, — адже це зв'язує все докупи. Перша версія Whisper надсилала зупинку запису шість разів на одне натискання на певних машинах Windows — фантомні події відпускання від фреймворка введення, з тих, що працюють на чистій інсталяції й ламаються на реальній. Знадобився дебаунс на 300 мс і більше часу, ніж я зізнаюся, щоб зробити це надійним. Я дізнався про обробку введення у Windows більше, ніж будь-коли хотів. Урок засів: гаряча клавіша має прогинатися під вашу машину, а не навпаки. Клацніть у поле, утримуйте клавішу, говоріть. Код ви досі набираєте самі — і, гадаю, це чесна версія угоди.