Автор: Денис МедведєвПорівняння
Голос у текст на Windows: безкоштовне чи платне
Win+H безкоштовний і нормально працює для двох рядків. Ось до чого тягнутися, коли двох рядків стає замало.
Натисніть Windows + H у будь-якому текстовому полі на Windows 10 чи Windows 11. Це Microsoft Voice Typing — безкоштовно, через Azure, нормально для коротких нотаток. Для будь-чого довшого за абзац (листи, чернетки, лонгріди, багатомовна робота) ви захочете справжній додаток для диктування. Whisper це робить: тримайте Ctrl + Space, говоріть, відпускайте; текст з’являється на курсорі в тому додатку, де ви зараз працюєте. Він працює локально на вашому ПК (аудіо не залишає ноутбук) або через шлях OpenAI Cloud, якщо хочете максимальну точність і веб-доступ в одному інструменті.
Я диктую приблизно 145 слів за хвилину. Друкую — близько 40. Уперше я помітив цю різницю під час двогодинного вечірнього перельоту до Бухареста, коли збирав на столику-розкладнці прототип на Tauri, бо набирання нотаток зі зустрічей з’їдало мої вечори. На посадці вже мав робочу версію, яка записувала з мікрофона, транскрибувала локально й вставляла текст у активне поле. Цей прототип і є те, що сьогодні постачається, і це єдина причина, чому я тепер встигаю погодувати дітей до 7-ї вечора.
Голос у текст на Windows — це не магічний продуктивний лайфхак. Це нудне виправлення для найдорожчого ресурсу за вашим комп’ютером, тобто ваших зап’ясть. Microsoft постачає безкоштовний інструмент диктування, вбудований у Windows 10 та Windows 11. Він добрий — поки не стає замалим. Цей гайд проведе вас тим, що ваш ПК уже вміє, де Microsoft провела межу і до чого тягнутися, коли ви її переступите.
У цієї теми є категорійна пастка. Люди шукають «голос у текст на Windows» і потрапляють на три типи сторінок: довідку Microsoft (правильна, але куца), туторіали-відео (довгі, повільні, переважно ті самі п’ять кроків) і продуктові сторінки компаній, що хочуть продати вам підписку за $30 на місяць ще до того, як ви спробували безкоштовний варіант. Я зроблю інакше. Спершу покажу вам Microsoft Voice Typing — за 30 секунд. Потім розкажу, коли саме його перестає вистачати і до чого тягнутися далі.
Чесна відповідь: більшості користувачів Windows вистачить трьох речень підказок, а не 3000 слів. Але тим, кому потрібні ці 3000 слів, вони справді потрібні. Тож я написав і те, і те.
Три шляхи за хвилину
Додаток не обирає за вас модель транскрипції. Ви обираєте з трьох шляхів. Це зроблено навмисно.
Cloud (OpenAI, BYOK) — шлях найвищої якості
Ви приносите свій ключ OpenAI API. Транскрипція працює на gpt-4o-mini-transcribe (за замовчуванням) або gpt-4o-transcribe. AI-покращення тексту — на gpt-5-mini за замовчуванням; також доступні gpt-5-nano і gpt-5. Веб-пошук іде через gpt-4o-mini за допомогою Responses API. Ви платите OpenAI напряму за використання; ми не беремо нічого собі. Обирайте, якщо хочете найкращу якість і веб-доступ в одному інструменті й готові платити OpenAI похвилинно.
Parakeet (NVIDIA TDT, ~600 МБ) — найшвидший локальний шлях
Parakeet v3 у 5–10 разів швидший за Whisper на CPU. Англійська плюс 24 європейські мови. Без перекладу англійською. Без перемикання кодів між азійськими шрифтами. Якість добра — не рівня Whisper-large-v3, але більш ніж достатньо для повсякденної пошти й роботи з документами. Обирайте, якщо хочете швидкість і переважно говорите англійською.
Локальний Whisper (8 моделей) — найкерованіший локальний шлях
Повільніший за Parakeet на тому ж залізі. Натомість отримуєте 99 мов на багатомовних збірках, переклад англійською, кастомний словник, контроль beam-size і hotword-біасинг. Обирайте, якщо потрібен переклад, багатомовна транскрипція (особливо китайська, японська, корейська, які Parakeet не вміє) або тонший контроль на конкретний запис.
| Шлях | Cloud (BYOK) | Parakeet v3 | Локальний Whisper |
|---|---|---|---|
| Найкраще для | Найкраща точність, веб-пошук, будь-який ноутбук | Найшвидший локальний для англійської + ЄС | Багатомовність, переклад, контроль |
| Мінімум заліза | Будь-яке | 8 ГБ ОЗП | 8 ГБ ОЗП (small), 16 ГБ+ (medium / large-v3) |
| Інтернет | Потрібен | Не потрібен | Не потрібен |
| Якість | Найвища | Добра | Від доброї до найвищої |
Усі три шляхи використовують ту саму гарячу клавішу, той самий оверлей, ті самі налаштування. Перемикач — один клік.
Що Windows уже дає вам (Win+H)
Відкрийте будь-яке текстове поле: Word, Outlook, рядок адреси у браузері, Notepad, поле вводу Slack. Натисніть Windows + H. З’явиться невелика панель диктування, і ваш ПК слухає. Говоріть. Клацніть поза полем або натисніть кнопку зупинки на панелі — текст залишиться. Це і є вся базова функція.
Microsoft називає це Voice Typing. Воно вбудоване у Windows 10 і Windows 11. Жодних додатків встановлювати не треба. Жодного «тренування» — не так, як у того родича, про якого я думаю, що мусив тренувати Dragon NaturallySpeaking на десктопі з Windows 98 у 1999-му, читаючи 45 хвилин калібрувальний список, поки програма не визначить, чи ви сказали «писати» чи «їздити». Голосові технології тихо стали кращими, поки ніхто не дивився, і Microsoft випустила результат у системному оновленні без жодного прес-релізу.
Декілька речей, які варто знати наперед. Voice Typing використовує онлайн-розпізнавання Microsoft на базі Azure Speech services. Це означає, що аудіо залишає ваш ноутбук дорогою до дата-центру Microsoft. Якщо ви диктуєте таблицю зарплат, HR-меморандум чи будь-що, обмежене HIPAA або GDPR — це має значення. Звіртеся з політикою IT або скористайтеся інструментом, у якого простіша історія приватності. Функція підтримує понад 50 мов з регіональними варіантами. На Copilot+ PC (нове покоління Snapdragon X / Surface) також є функція Voice Typing під назвою Fluid dictation, яка використовує невелику локальну мовну модель для виправлення граматики, пунктуації та слів-паразитів у реальному часі — наразі доступна в усіх англійських локалях.
Voice Typing проти Voice Access — обирайте правильний шар
Дві різні функції Microsoft, які постійно плутають. Voice Typing — це те, що ви отримуєте з Windows + H. Voice Access — окрема функція для керування всім ПК голосом: відкриття додатків, кліки по кнопках, прокрутка плюс введення тексту. Voice Access вимагає Windows 11 22H2 або новіше, використовує локальне розпізнавання, що працює без інтернету, і у вересні 2024 року замінила старий Windows Speech Recognition. Мови Voice Access: англійська (шість регіональних варіантів), іспанська, німецька, французька, спрощена і традиційна китайська, японська й італійська.
Якщо ваша мета — «я хочу диктувати текст у додатки», вам потрібен Voice Typing. Якщо мета — «я не можу користуватися мишею і клавіатурою, треба керувати всім ПК», вам потрібен Voice Access. Ці дві функції побудовані на різних засадах, і документація на них живе в різних місцях. Більшість читачів, які шукають «голос у текст на Windows», хочуть саме Voice Typing.
Коли Microsoft Voice Typing достатньо
Між нами кажучи: більшості людей платний застосунок для диктування не потрібен. Якщо ви надсилаєте відповідь на 30 слів, диктуєте у тред Slack чи нотатку в календарі — Windows + H безкоштовний і працює. Whisper починає окуповуватися приблизно з порогу у 200 слів, де точність Voice Typing і відсутність кроку покращення починають боляче бити. Довгі речення стають суцільним потоком. Пунктуація плаває. Власні назви хитаються; ім’я моєї старшої доньки транскрибувалося як «Maira», «Mirror», а одного разу — пам’ятно — як «Mirror image».
Поділ приблизно такий: коротко, неформально, лише англійська, без проблем з відповідністю → Voice Typing. Довго, продумано, багатомовно, чутливо або хочете покращення → тягнетеся за справжнім інструментом. Якщо ваш день — це переважно дворядкові чати в Teams, ви вже дочитали цю статтю. Якщо ваш день — це чернетки листів, бриф, коментарі в коді, конспекти лекцій або варіанти маркетингових текстів, читайте далі. dictating into Word specifically has a few extra considerations worth reading.
And if you want the inverse — Windows reading text back to you for proofreading long drafts — the honest free text-to-speech roundup covers Edge's built-in Read Aloud and the five tools worth the install.
Хочете огляд продукту замість інструкції? Розпізнавання мовлення Whisper для Windows — тут описано застосунок, локальні моделі та посилання на завантаження.
Покрокова інструкція: Cloud-режим (шлях OpenAI BYOK)
Cloud — найякісніший шлях, і саме його я б налаштував першим на новій машині. Бюджет часу: близько 3 хвилин, якщо у вас уже є ключ OpenAI.
Крок 1 — Встановіть Whisper
Завантажте інсталятор з /download. Запустіть. Перший запуск попросить дозвіл на мікрофон; натисніть «Allow». Якщо ви рефлекторно натиснете «Don't Allow» (я сам так робив, не раз), відкрийте Параметри Windows → Конфіденційність → Мікрофон і ввімкніть Whisper.
Перевірте, що працює. Іконка додатку з’являється в треї біля годинника. Клацніть правою — відкривається меню. Якщо не з’являється, перезавантажте Windows один раз і спробуйте знову; інсталятори інколи випереджають системний трей.
Крок 2 — Оберіть шлях Cloud
Відкрийте Whisper Settings → Transcription. Перемкніть режим на Cloud (OpenAI). Вставте свій ключ OpenAI API. Модель за замовчуванням — gpt-4o-mini-transcribe; для трохи вищої точності за подвійну ціну за хвилину перемкніть на gpt-4o-transcribe.
Перевірте, що працює. На сторінці Settings біля поля API-ключа з’являється зелений індикатор «Connected». Якщо червоний — двічі звірте, що ключ має доступ до Whisper API у вашому дашборді OpenAI.
Крок 3 — Підтвердіть, що гаряча клавіша — Ctrl + Space
Settings → Hotkeys. На Windows за замовчуванням стоїть Ctrl + Space (push-to-talk при утриманні). Якщо Ctrl + Space конфліктує з чимось, що ви вже використовуєте (VS Code IntelliSense, азійський IME, автодоповнення в Jupyter) — оберіть іншу комбінацію тут, перш ніж міняти будь-що ще. Уникайте чистого Win + H (це Voice Typing), будь-якої комбінації з Cmd (це для Mac) і самої клавіші Windows (системний пошук). На машинах, де Ctrl + Space зайнята, я використовую Ctrl + Right-Shift.
Перевірте, що працює. Натисніть обрану гарячу клавішу на робочому столі. Оверлей Whisper має коротко показати стан «idle», навіть якщо під ним немає текстового поля.
Крок 4 — Налаштуйте модель AI-покращення
Settings → Enhancement. За замовчуванням — gpt-5-mini. Для легших і дешевших переписувань оберіть gpt-5-nano; для важчих переписувань і довших промптів — gpt-5. За замовчуванням — правильний вибір для 95% письма.
Перевірте, що працює. Увімкніть «Test enhancement» з прикладовою фразою (Settings пропонує одну). Очищена версія повертається приблизно за 1–2 секунди.
Крок 5 — Відкрийте додаток, у який хочете диктувати
Outlook, Word, Slack, браузер, VS Code: будь-де, де можна друкувати. Клацніть у текстове поле.
Перевірте, що працює. Курсор блимає всередині редагованого поля, а не на статичній сторінці.
Крок 6 — Тримайте Ctrl + Space і говоріть
Оверлей виїжджає внизу екрана й показує стан запису. Ви побачите, як хвиля пульсує в такт вашому голосу. За замовчуванням — push-to-talk: тримайте гарячу клавішу, поки говорите. Це той самий жест, що й push-to-talk у Discord, тільки замість трансляції голосу він тихо друкує за вас. Можна зупинитися посеред речення — просто відпустіть клавішу.
Крок 7 — Відпустіть клавішу
Whisper надсилає аудіо, отримує транскрипт, виконує крок покращення і вставляє результат на курсор.
Перевірте, що працює. Ваш текст з’являється в полі. Затримка від кінця до кінця в Cloud-режимі при пристойному з’єднанні — близько 1.1 секунди. Домінує мережевий round-trip.
Крок 8 — Опційно: запускайте AI-режим словами «Hey whisper»
Почніть диктування зі слів «Hey whisper» — і Whisper запустить пайплайн AI-покращення поверх сирої транскрипції: чиста граматика, виправлена пунктуація, прибрані слова-паразити. Без ключового слова отримуєте сирий транскрипт. Зручно, коли потрібно щось одне з двох, а не обидва одразу.
Перевірте, що працює. Скажіть «Hey whisper, summarize the last meeting in three bullets» з відкритими нотатками. AI-режим виявить тригерне слово і запустить покращення.
Крок 9 — Це все. Користуйтеся.
Кроку 10 не буде. Тримаєте клавішу, говорите, відпускаєте, пишете. Більшість людей забуває гарячу клавішу на день, потім забуває друкування на рік.
Альтернативний шлях: Parakeet (локальна смуга)
Якщо ви не хочете, щоб ваше аудіо залишало ноутбук, Parakeet — найшвидший локальний рушій.
Встановити
Той самий інсталятор Whisper. Settings → Transcription → перемкніть режим на Local — Parakeet. Додаток скачає файл моделі Parakeet v3 (~600 МБ) і розпакує його при першому запуску.
Використовувати
Та сама гаряча клавіша: тримайте Ctrl + Space, говоріть, відпускайте. Транскрипт з’являється на курсорі — як і в Cloud-режимі. Інтернет не потрібен після того, як модель скачана. Уся транскрипція — суто на Rust через transcribe-rs (без Python-сайдкара).
Коли обрати
Англомовний користувач. Робота переважно англійською. Перемикання кодів між мовами ЄС — нормально; Parakeet покриває 25 мов, включно з французькою, німецькою, іспанською, італійською, польською, українською, російською і ще 17. Хочете швидкість і не потребуєте перекладу англійською чи азійських мов. Parakeet працює у 5–10 разів швидше за Whisper на CPU — на типовому ноутбуці з Intel i5/i7 це означає, що ви закінчите диктування ще до того, як палець відірветься від клавіші.
Коли пропустити
Ви говорите китайською, японською, корейською, арабською або іншою не-ЄС-мовою; вам потрібен переклад англійською; або потрібен контроль beam-size і hotword. Беріть локальний Whisper або Cloud.
Альтернативний шлях: локальний Whisper (коли потрібен контроль)
Локальний Whisper — найширший локальний рушій. 99 мов на багатомовних збірках. Переклад англійською. Кастомний словник. Контроль beam-size. Hotword-біасинг.
Встановити
Той самий інсталятор Whisper. Settings → Transcription → перемкніть режим на Local — Whisper. Оберіть модель.
Використовувати
Та сама гаряча клавіша: тримайте Ctrl + Space, говоріть, відпускайте. AI-покращення в локальному режимі — через Ollama, якщо встановлений; інакше — сира транскрипція.
Пресети продуктивності
Settings → Transcription → Performance. Три варіанти: Fast (beam 3), Balanced (beam 6), Accurate (beam 9). Fast і Balanced підходять більшості; Accurate — для високовідповідальної транскрипції, де можна почекати зайву секунду.
Коли обрати
Ви перекладаєте з української англійською посеред речення, диктуєте японською, перемикаєтеся між п’ятьма мовами в одному абзаці або хочете hotword-біасинг для галузевої лексики (медичної, юридичної, технічної).
Коли пропустити
Ви говорите лише англійською й хочете найшвидший локальний варіант — беріть Parakeet. Хочете максимальну точність і маєте ключ OpenAI — беріть Cloud.
Чесне порівняння: Microsoft Voice Typing, Wispr Flow і Whisper
| Характеристика | Microsoft Voice Typing | Wispr Flow | Whisper by Remskill |
|---|---|---|---|
| Ціна | Безкоштовно | ~$15/міс | $9.99/міс або $69 разово |
| Локальний режим | Ні (через Azure) | Ні (лише хмара) | Так (локально + хмара, обидва включено) |
| Лонгрід-диктування | Обмежено | Так | Так |
| Мови | 50+ | Зорієнтоване на англійську на Windows | 99 на large-v3; 25 на Parakeet |
| Активація за замовчуванням | Win + H (панель) | Утримання кастомної гарячої клавіші | Утримання Ctrl + Space (push-to-talk) |
| Тріал | немає | Обмежений | Назавжди (Local) |
Wispr Flow — це відполірований хмарний продукт приблизно за $15 на місяць на Windows. Сама транскрипція відбувається через те ж сімейство моделей Whisper, що працюють на чужому GPU. Ми робимо так, щоб той самий рушій працював на вашому ноутбуці, беремо $9.99 на місяць і додаємо хмару (BYOK до OpenAI) як запасний варіант, коли вона потрібна. Ціна lifetime ($69) окуповується щодо щомісячної підписки за сім місяців: при $9.99 × 7 ви б витратили $69.93 на місячну. Більшість користувачів диктує значно довше за сім місяців. Lifetime — чесна ціна за інструмент, який ви реально використовуєте.
Хочу бути чесним: Wispr Flow — справжній продукт, зроблений розумними людьми. Якщо саме їхній UI переконує вас почати диктувати — це коштує більше, ніж $20 на місяць заощадженого друкування. Ми лише вважаємо, що в 2026-му диктування не повинне коштувати щомісячної підписки назавжди.
If your dictation lives mostly in the browser, the Chrome-extension route is a different trade-off again; the honest Voice In (Dictanote) alternative weighs an in-page extension against a system-wide app that types into every window.
Як підібрати модель Whisper під ваше залізо
Whisper постачається у восьми розмірах усередині додатка. Нудна правда полягає в тому, що більшості користувачів Windows варто обрати small.en для англомовної роботи або small для багатомовної — і більше про це не думати.
| Ідентифікатор моделі | Назва | Розмір | Мови | Коли б я її обрав |
|---|---|---|---|---|
| base.en | Base | ~140 МБ | Лише англійська | Старіші ноутбуки, 8 ГБ ОЗП, лише однорядкова транскрипція |
| small.en | Small | ~480 МБ | Лише англійська | За замовчуванням для англомовних на будь-якій сучасній машині з Windows |
| medium.en | Medium | ~1.5 ГБ | Лише англійська | 16 ГБ+ ОЗП, потрібна помітно вища точність англійської |
| distil-large-v3 | Turbo | ~1.5 ГБ | Лише англійська | У 6 разів швидше за large-v3 при 99% його точності |
| small | Small | ~480 МБ | 99 мов | За замовчуванням для багатомовної роботи на будь-якій сучасній машині з Windows |
| medium | Medium | ~1.5 ГБ | 99 мов | 16 ГБ+ ОЗП, вища якість багатомовної |
| large-v3 | Large v3 | ~3 ГБ | 99 мов | 16 ГБ+ ОЗП, найкраща точність, професійна багатомовна робота |
| turbo | Large v3 Turbo | ~1.62 ГБ | 99 мов | Швидкий багатомовний рівень (більше не бета) |
Усі розміри взяті безпосередньо з реєстру моделей десктопного додатка; жодного округлення, жодних чисел з публічних статей про Whisper.
Кілька правил великого пальця. З 8 ГБ ОЗП Cloud-режим працює на будь-якому залізі без застережень. Локально: Parakeet, base.en або small.en — безпечні варіанти; medium.en зашпортнеться. З 16 ГБ+ і дискретним GPU усі шляхи працюють комфортно, а large-v3 і turbo найбільше виграють від GPU. USB-мікрофон за $20 робить для точності транскрипції більше, ніж апгрейд із small.en на medium.en. Витратьте гроші на вхід, перш ніж витрачати їх на модель.
Для багатомовних користувачів, що перемикаються між англійською й українською, німецькою чи японською посеред абзацу, large-v3 або turbo — єдине сімейство моделей, що чисто справляється зі справжнім перемиканням кодів. Менші багатомовні моделі можуть нормально транскрибувати одну мову, але хитаються, коли ви перемикаєтесь посеред речення.
Три речі, які збивають з пантелику в перший тиждень
Win + H у деяких додатках нічого не робить
Власна спільнота Microsoft підтверджує: це реальний больовий пункт читачів. Додатки, що захоплюють клавіатурне введення на низькому рівні (повноекранні ігри, певні вікна Citrix чи RDP, окремі застарілі IME) можуть проковтнути ярлик, тож панель диктування не відкриється. Текстове поле також має бути справжнім edit-контролом рівня ОС; деякі кастомно відрендерені текстові області в Electron- чи Java-додатках його не приймуть. Якщо Win + H нічого не робить, спершу клацніть у вікно Notepad, щоб переконатися, що сам Voice Typing увімкнений. Якщо в Notepad працює, а у вашому додатку — ні, проблема в додатку, а не в Voice Typing.
Додатки, запущені від адміністратора, блокують диктування
Якщо ваш текстовий редактор чи IDE запущено через «Run as administrator», неелевований процес диктування (Whisper або Voice Typing) не може вставити в нього текст. Windows UAC блокує IPC між різними рівнями елевації. Або запускайте обидва елеваційно, або обидва без елевації. Виправлення для Whisper одне з двох: клацніть правою на редакторі й зніміть «Run as administrator» в налаштуваннях сумісності, або клацніть правою на Whisper і оберіть «Run as administrator», щоб обидва процеси мали однаковий рівень елевації.
Ctrl + Space конфліктує з IME та автодоповненнями
Гаряча клавіша Whisper за замовчуванням на Windows — Ctrl + Space. Це також типовий перемикач для кількох азійських IME (китайська, японська, корейська), тригер VS Code IntelliSense та автодоповнення в Jupyter. Якщо ви живете в чомусь із цього, перепризначте гарячу клавішу Whisper, перш ніж міняти будь-що ще. Settings → Hotkeys, оберіть акорд, який ніщо інше не використовує. На машинах, де Ctrl + Space зайнятий, я використовую Ctrl + Right-Shift. Це найпоширеніший лист у підтримку, який ми отримуємо. Оберіть гарячу клавішу, яку ніщо інше не використовує — і решта першого тижня пройде без подій.
Невелика історія, яка може зекономити вам вечір. Перша версія обробника гарячих клавіш Whisper викликала колбек зупинки запису шість разів на одне реальне натискання клавіші на Windows. На чистій інсталяції працювало добре, ламалося на машинах клієнтів, де було ввімкнено будь-який мовний ввід. Кілька днів телеметрії, дебаунс на 50 мс, якого виявилось замало, потім дебаунс на 300 мс, який нарешті спрацював. Windows IME генерує фантомні події відпускання Ctrl + Space у непередбачувані моменти; або дебаунс — або божевілля. Ми обрали перше. Дебаунс для вас невидимий; він просто сидить і робить свою роботу, як і більшість доброї інфраструктури.
If your Win + H toolbar opens but the microphone meter never moves — or the whole shortcut does nothing — that's a different problem with its own short fix list: eight verified fixes for Windows voice typing that stopped working.
Further reading
Якщо запам’ятати лише одне — запам’ятайте це: ваш ПК на Windows уже вміє голос у текст безкоштовно й достатньо добре для коротких нотаток. Користуйтеся. Коли історія приватності (аудіо через Azure), відсутність покращення й обмеження довгого диктування починають коштувати вам реального часу (зазвичай біля позначки 200 слів, зазвичай приблизно за тиждень) — саме тоді справжній інструмент диктування починає окуповуватися. Спершу спробуйте локальний, якщо вам важлива приватність або ви переважно офлайн. Cloud — найякісніший шлях, якщо ні. Перемикач — один клік у Settings, гаряча клавіша та сама. Якщо ви зараз зважуєте кроки налаштування в голові, найшвидший експеримент такий: встановіть Whisper, увімкніть Cloud-режим зі своїм ключем OpenAI, тримайте Ctrl + Space, продиктуйте цей абзац назад у вікно Notepad — і подивіться, чи захочеться вам колись повертатися до друкування. Б’юся об заклад, що ні.
Спробуйте на своєму ПК з Windows
Переглянуто 2026-05-04 щодо живого десктопного додатка на v2.4.x. Налаштування за замовчуванням (Ctrl + Space push-to-talk на Windows, RightOption push-to-talk на macOS) взяті прямо з вихідного коду додатка.
