Голос у текст у Obsidian

Чи є у Obsidian вбудоване перетворення голосу на текст?

Ні. Obsidian не має нативної функції диктування, яка перетворює мовлення на текст у редакторі. Основний плагін Audio Recorder записує аудіофайл і прикріплює його до нотатки; він не транскрибує те, що ви сказали. Це корисна річ, але протилежність тому, що шукає більшість людей.

Щоб отримати справжню транскрипцію всередині сховища, звертаються до плагіна спільноти. Найпоширенішим є плагін "Whisper" від nikdanilov. Він записує або завантажує аудіо, надсилає його до Whisper-сумісного API транскрипції та вставляє результат у курсор. Працює на комп'ютері й мобільному, стандартна гаряча клавіша — Alt+Q. Проблема в його ж швидкому старті: ви додаєте API-ключ у налаштуваннях, тому що він спілкується з OpenAI, Groq, Azure чи іншим Whisper-сумісним сервісом. Це означає хмару й оплату постачальнику API за хвилину аудіо.

Є й інші шляхи всередині редактора. Люди поєднують основний Audio Recorder із сервісом транскрипції, як-от Deepgram, або запускають окремі інструменти диктування поруч з Obsidian. Усі вони є нормальними варіантами. Але зверніть увагу на спільну рису: ті, що транскрибують всередині нотатки, майже всі направляють ваше аудіо до хмарного API й просять ключ. Є інший спосіб зробити це, що уникає обох.

Плагін в одному сховищі проти гарячої клавіші всюди

Це розрізнення варто прояснити. Плагін у сховищі живе всередині Obsidian. Він транскрибує, коли ви в нотатці, за власною гарячою клавішею, і працює лише там. Системна програма гарячих клавіш живе рівнем вище, у вашій операційній системі. Вона друкує в Obsidian, але також у браузері, електронній пошті, терміналі й кожній іншій програмі — тому що для вашого комп'ютера ви просто друкуєте.

Яка потрібна — залежить від того, що ви насправді робите. Якщо єдина мета — помістити записаний аудіофайл у нотатку й транскрибувати його на місці, плагін створений саме для цього. Якщо хочете диктувати текст у редакторі, як ви б його набирали, і також диктувати скрізь, де пишете, системна програма підходить краще. Решта цього посібника переважно про другий тип, бо він не потребує ні ключа, ні налаштування для кожного сховища.

Найшвидший спосіб: системна гаряча клавіша

Ось де настільна програма змінює рахунки. Whisper by Remskill — це не плагін Obsidian, не інтеграція зі сховищем і не розширення браузера. Це настільна програма, що працює як клавіатура: натисніть гарячу клавішу, говоріть, і транскрипція вставляється в курсор у будь-якій програмі, включно з вашою нотаткою Obsidian. Немає API-ключа для вставки, тому що рушії транскрипції працюють локально на вашому комп'ютері. Вона працює однаково в Obsidian і всюди, бо друкує, а не інтегрується.

Налаштування коротке:

Це весь цикл. Транскрипція з'являється в редакторі, ви читаєте її, продовжуєте писати.

Говоріть, і нотатка наповнюється

Після запуску досвід непримітний у кращому сенсі. Ставите курсор у нотатку, утримуєте клавішу, говорите, відпускаєте. Приблизно через секунду текст з'являється в редакторі, наче ви його набрали. Жодного окремого запису, через який потрібно прогортати пізніше, жодного аудіофайлу, що захаращує сховище, жодного завдання транскрипції на яке чекати. Просто слова там, де був курсор.

Оскільки локальна транскрипція виконується на вашому комп'ютері (чистий Rust, без Python-сайдкара, без сервера в циклі), вона працює офлайн. Для програми нотаток — це весь сенс. Думка, яку ви записуєте, зустріч, яку резюмуєте, напівсформована ідея, яку не хочете, щоб хтось індексував у своїх журналах — жодне аудіо не покидає ваш ноутбук. Плагіни в сховищі, що викликають хмарний API, не можуть цього сказати, а вбудоване введення голосу Windows потребує підключення до інтернету для роботи. Локальний режим Whisper — ні.

Як виглядає повна програма Whisper

Гаряча клавіша — це частина, яку ви використовуватимете найбільше, але за нею є інтерфейс налаштувань. Ви вибираєте рушій транскрипції: моделі Whisper, чиї багатомовні варіанти охоплюють 99 мов, або Parakeet від NVIDIA, близько 600 МБ, у 5–10 разів швидший за Whisper на CPU, що охоплює англійську і 24 європейських мови. Встановлюєте гарячу клавішу, керуєте історією та зберігаєте пресети. Нічого з цього не потрібно для диктування однієї нотатки. Це є, коли хочете налаштувати.

Очищення продиктованих нотаток за допомогою ШІ

Розмовна мова безладна. Ви говорите «е-е», починаєте речення заново, губите думку. Whisper має необов'язковий крок покращення за допомогою ШІ, що видаляє слова-паразити й прибирає формулювання перед вставкою. Тож «е, так, тобто ця, ця нарада перенесена, я думаю ми, ми робимо в четвер тепер» стає «Нарада перенесена; думаю, що ми робимо в четвер». Для постійної нотатки, яку ви перечитаєте пізніше, таке очищення виправдовує себе.

Це очищення виконується локально через Ollama, безкоштовно, на вашому комп'ютері. Користувачі Pro можуть натомість направляти через хмару, але перевага очищення слів-паразитів не вимагає Pro; вона доступна у безкоштовному локальному конвеєрі. Можна також вимкнути й вставити сирий транскрипт, що для швидкого запису часто є саме тим, що потрібно.

Локально та приватно: ваші нотатки залишаються на вашому комп'ютері

Це єдина тверда думка, під якою я підпишуся для інструменту нотаток: диктування лише через хмару — це катастрофа конфіденційності, що очікує на транскрипцію. У вашому сховищі знаходяться таблиця зарплат, яку ви складаєте, електронний лист до школи вашої дитини, напівсформована думка, якою ви ще не готові ділитися. Весь привабливість Obsidian для багатьох людей полягає в тому, що нотатки є простими файлами на власному диску. Передавати аудіо цих нотаток через API постачальника тихо скасовує це.

З локальними рушіями Whisper запис транскрибується на вашому власному CPU та видаляється. Без ключа, без акаунту у постачальника транскрипції, без аудіо в якомусь журналі. Це не маркетингова фраза — просто так відбувається обчислення. Якось я спостерігав, як команда накопичила п'ятизначний рахунок у хмарі за квартал, подаючи записи стендапів до API; відповідь CFO була приблизно такою: «або ми не платимо за транскрипцію нарад, які вже мають нотатки». Та сама логіка застосовується до особистого сховища — без CFO.

Коли плагін у сховищі підходить краще

Не буду вдавати, що системна програма виграє в кожному випадку, тому що це не так. Якщо у вас справді є папка записаних голосових нотаток або аудіо нарад, яку хочете транскрибувати й прикріпити всередині конкретних нотаток, плагін у сховищі, як-от "Whisper" від nikdanilov, створений саме для того робочого процесу. Він записує або завантажує файл і поміщає транскрипцію в нотатку. Ви платитимете API транскрипції за хвилину й керуватимете ключем, але цикл файл-вхід, транскрипція-в-нотатці — саме це він і робить, і програма введення через гарячу клавішу його не замінює.

Є також варіант «нічого не робити». Якщо ви диктуєте лише одиничний рядок, ваша операційна система вже робить це безкоштовно. На Windows натисніть клавішу з логотипом Windows + H, і введення голосу відкривається в будь-якому текстовому полі, включно з нотаткою Obsidian. На Mac вбудований скорочений шлях для Диктування робить те саме, а на Apple silicon він працює на пристрої без інтернету. Компроміс: Win+H на Windows потребує з'єднання, тоді як диктування macOS і локальний режим Whisper — ні.

Вибирайте найменший інструмент, що вирішує вашу задачу. Для однорядкового запису — це клавіша, яку вже має ваша ОС. Для транскрибування аудіофайлів у конкретні нотатки — плагін у сховищі. Для диктування тексту в редактор і скрізь, де ви пишете, офлайн і без ключа — системна програма.

Скільки коштує Whisper

Локальний конвеєр диктування — транскрипція та очищення ШІ через Ollama — безкоштовний для будь-якого авторизованого користувача, без картки при реєстрації. Тож внесення голосу в нотатку через Whisper не коштує нічого, і немає тарифікації API транскрипції за хвилину. Whisper Pro додає хмарні функції (транскрипція OpenAI, хмарне покращення ШІ, голосовий веб-пошук) і має окремий пробний період. Точні цифри є на сторінці цін, а не тут, тому що ціни змінюються, а блог-пост — погане місце для їх актуальності.

Obsidian, мабуть, з часом отримає нативну функцію диктування — так програми й роблять, коли достатньо людей встановлюють три плагіни, намагаючись її імітувати. До того часу у вашого сховища є варіанти: плагін у сховищі для транскрибування аудіофайлів, ОС для одиничного рядка, і системна програма для диктування тексту в редактор без ключа й сервера в циклі. Три інструменти, один блокнот. Найчастіше потрібен той, що тримає аудіо на вашому комп'ютері.