Аргумент в пользу диктовки обычно звучит как арифметика: говорят люди в несколько раз быстрее, чем печатают. Арифметика верная, вывод из неё — нет.
Быстрее получается поток слов, а не готовый текст. Продиктованное нужно вычитывать, вычищать повторы и наводить структуру, которой в устной речи нет. Итог: там, где вы составляете текст, голос почти всегда проигрывает. Там, где вы просто ловите мысль, чтобы она не пропала, — выигрывает вчистую, потому что трение почти нулевое.
Отсюда и правило: голос — это канал захвата, а не канал письма.
#Что понадобится
- Микрофон получше встроенного в ноутбук. Это влияет на результат сильнее, чем выбор модели распознавания.
- Движок распознавания. Локальная модель семейства Whisper — рабочий вариант по умолчанию; что происходит внутри, разобрано в статье про ASR и TTS.
- Понимание, где ляжет результат. Голосовой режим чата доступен любому зарегистрированному пользователю; голосовая заметка, которая сохраняется в блокнот заметок, относится к функциям владельца инстанса — заметки, как и захват, однопользовательские.
#Где голос выигрывает, а где нет
| Задача | Голос | Почему |
|---|---|---|
| Поймать мысль на ходу | ✓ | трение почти нулевое |
| Итог разговора сразу после | ✓ | контекст ещё в голове |
| Длинное рассуждение вслух | ✓ | устная форма помогает думать |
| Черновик статьи | ✗ | структуры в устной речи нет |
| Код, команды, адреса | ✗ | латиница и цифры распознаются хуже всего |
| Точная формулировка | ✗ | править продиктованное дороже, чем написать |
Строки со знаком плюс объединяет одно: там ценность в том, что запись вообще состоялась. Строки с минусом объединяет обратное: там ценность в точности, а точность голос теряет дважды — на речи и на распознавании.
#Способы расшифровки
| Способ | Где обрабатывается | Русская речь | Цена |
|---|---|---|---|
| Встроенное в браузер | зависит от браузера и системы | средне, непредсказуемо | бесплатно |
| Локальная модель на процессоре | у вас | приемлемо, медленно | электричество |
| Локальная модель на видеокарте | у вас | приемлемо, быстро | видеопамять |
| Облачный сервис распознавания | у провайдера | обычно лучше | по минутам |
Читать таблицу надо по второй колонке, если для вас важно, куда уходит звук, и по третьей — если важно качество. Компромисса тут нет: облако обычно распознаёт русскую речь лучше, а звук при этом уходит наружу. Локальная модель оставляет запись у вас и хуже справляется с шумом, редкими именами и смешанной речью.
Размер модели тоже размен. По умолчанию у нас используется модель среднего размера — она укладывается в разумное время на обычном процессоре. Более крупная точнее и заметно медленнее; более мелкая быстрее и начинает путать окончания. Менять её имеет смысл после того, как исчерпаны условия записи, а не до.
#Чек-лист условий записи
Это самая недооценённая часть. Разница между хорошими и плохими условиями на одной и той же модели больше, чем разница между двумя соседними размерами модели.
- Микрофон близко. Двадцать сантиметров вместо метра убирают половину проблем. Гарнитура почти всегда лучше встроенного микрофона ноутбука.
- Комната без эха. Пустая комната с твёрдыми стенами — худший вариант. Мягкие поверхности рядом с говорящим помогают заметно.
- Никакой музыки и телевизора в фоне. Речь на фоне речи — самый тяжёлый случай для распознавания, тяжелее, чем речь на фоне шума.
- Ровный темп, законченные фразы. Обрывать себя на середине и начинать заново — верный способ получить кашу: модель попытается собрать из этого связный текст.
- Минимум смешанной речи. «Задеплоил на стейджинг через пайплайн» распознаётся плохо в любой системе. Если термины неизбежны — проговаривайте их отчётливее и будьте готовы править.
- Имена и цифры — под проверку. Номера договоров, адреса, суммы проверяйте всегда. Это класс ошибок, который проходит незамеченным, потому что результат выглядит правдоподобно.
- Одна заметка — одна мысль. Десятиминутный монолог придётся разбирать целиком; три коротких записи разбираются по одной.
Отдельно про запись других людей: диктовать самому себе и записывать разговор — разные вещи, в том числе юридически. Что об этом стоит знать до включения записи — в статье про запись звука и закон, а различение говорящих в общей записи разобрано в материале про диаризацию.
#Проверка результата
- Прочитайте расшифровку через час. Если понятно без прослушивания — заметка удалась. Если приходится вспоминать, о чём была речь, вы диктовали слишком тезисно.
- Проверьте одно число и одно имя. Именно там прячутся тихие ошибки.
- Оцените, что вы делаете с текстом. Если каждую расшифровку приходится переписывать целиком, вы пытаетесь голосом писать, а не захватывать, — вернитесь к таблице выше.
#Что может пойти не так
- Термины превратились в похожие слова. Ожидаемо для редкой лексики. Лечится более крупной моделью частично, полностью — не лечится.
- Расшифровка одной сплошной простынёй. Знаки препинания и абзацы модель расставляет по своему усмотрению, а в быстрой речи — плохо. Помогает делать паузы между смысловыми блоками.
- Заметка есть, а найти её нельзя. Расшифровка попадает в текст заметки, но без заголовка. Давайте первой фразой название темы — она станет тем, за что вы уцепитесь при поиске.
- Долгая расшифровка на процессоре. Нормальное поведение: локальное распознавание на процессоре не мгновенное. Если ждать неприемлемо — либо видеокарта, либо более мелкая модель, либо облако с соответствующим разменом по приватности.
- Звук занял много места. Аудио тяжелее текста на порядки, и потому в системе оно живёт заметно меньше, чем расшифровка: текст остаётся, запись прореживается. Это осознанный размен, и он означает, что переслушать старую заметку, скорее всего, не получится.
#Частые вопросы
#Насколько хорошо распознаётся русская речь?
В обычных условиях — приемлемо для заметок и плохо для дословных цитат. Хуже всего даются имена собственные, аббревиатуры, латиница вперемешку с русским и числа. Это общее свойство систем распознавания, а не особенность конкретной сборки, и полностью оно не снимается.
#Уходит ли моя запись куда-то?
Зависит от способа. С локальной моделью звук обрабатывается на вашей машине. С облачным сервисом распознавания — уходит этому сервису. Отдельно помните, что расшифрованный текст дальше идёт в ту языковую модель, которую вы подключили, и тут действует то же правило: локальная Ollama оставляет его у вас, облачный ключ отправляет провайдеру.
#Можно ли надиктовать и сразу получить структурированную заметку?
Модель может привести монолог в порядок, и это работает. Но у операции есть цена: она перепишет ваши формулировки своими, а в заметке о разговоре формулировка иногда и есть суть. Для черновиков — годится, для фиксации чужих слов — нет.
#Чем голосовая заметка отличается от голосового вопроса к памяти?
Направлением. Заметка добавляет в память, вопрос из неё достаёт. Второе разобрано в статье про голосовой доступ к памяти — там же про перебивание и работу без рук.
#Подходит ли голос для ведения дневника?
Подходит и часто работает лучше письма: вслух проще говорить о том, о чём неудобно писать. Но у дневника с ассистентом есть отдельное требование к ролям — кто задаёт вопросы, а кто отвечает; разобрано в статье про дневник с ИИ.
#Что делать с накопившимися голосовыми в мессенджере?
Расшифровывать пакетно и хранить текст, а не звук. Текст ищется, звук — нет; и текст переживёт запись, потому что весит на порядки меньше. Как расшифровки встраиваются в общую систему возврата к контексту, разобрано в разборе второго мозга на ИИ.
#Вывод
Голос стоит использовать там, где иначе вы не запишете ничего: мысль на ходу, итог разговора сразу после, рассуждение вслух. Составлять текст голосом дороже, чем печатать, потому что править продиктованное дольше, чем набрать. И прежде чем менять модель распознавания, пройдите чек-лист условий записи — микрофон в двадцати сантиметрах и комната без эха дают больше, чем переход на следующий размер модели.