Голосовой ввод текста на компьютере: что поставить и какое железо нужно

Скорость обычной речи — примерно 120 слов в минуту. Скорость набора у человека, который не учился слепой печати, — 30–40. Разница в три раза, и она копится каждый день: в заметках, задачах, сообщениях, промптах для агента.

При этом голосовой ввод у большинства ассоциируется с двумя вещами: диктовкой на телефоне и подпиской за расшифровку. Первое неудобно для работы, второе не нужно — модели распознавания давно лежат в открытом доступе и работают на обычном ноутбуке.

Я перестал платить за расшифровку больше года назад. Ниже — что именно стоит у меня, что ставить на Windows и какое железо для этого действительно нужно.

Что вообще происходит внутри

Любая программа голосового ввода — это оболочка над моделью распознавания речи. Оболочка ловит горячую клавишу, пишет звук с микрофона, отдаёт его модели и вставляет полученный текст в активное поле. Вся ценность подписочных сервисов ровно в этом: они запустили открытую модель на своём сервере и берут деньги за удобство.

Моделей, на которых всё это стоит, по сути две.

Обе — не облако. Файл скачивается один раз и дальше работает офлайн: в поезде, в самолёте, при отключённом интернете.

Какое железо нужно на самом деле

Это главный вопрос, который мне задают, и на него есть точный ответ: распознавание речи — исключение среди локальных задач. Всё остальное, что запускают дома, упирается в память и разочаровывает; здесь домашнее железо не уступает облаку.

Разница в порядок. Именно поэтому локальные нейросети в роли «замены ChatGPT» разочаровывают, а в роли распознавания речи — работают: задача узкая, модель маленькая, качество упирается не в железо, а в микрофон.

Что ставить

На Mac. У меня стоит WhisperNotes — оболочка над Whisper с нормальным интерфейсом: горячая клавиша, диктовка в любое поле, автозапись встреч. Стоит около 500 ₽ разово, не подпиской. Важная деталь: качать нужно с сайта разработчика — версия из App Store урезана и глючит.

На Windows и Linux. Раньше я честно отвечал, что под Windows конкретную программу не порекомендую, потому что сам на ней не работаю. Сейчас ответ есть: Handy — бесплатная оболочка с открытым кодом под все три системы сразу.

Работает он так: держите горячую клавишу, говорите, отпускаете — текст вставляется туда, где стоял курсор. Тишину в начале и в конце отсекает отдельный детектор голоса, поэтому в текст не попадают паузы на «э-э-э» перед первой фразой.

Автор написал программу после травмы руки, когда ему самому понадобился инструмент, который работает без интернета и который можно поправить под себя. В описании проекта это сформулировано честно: цель не «лучшая программа распознавания», а «самая пригодная для форка». Для нас это значит одно — её не выключат и не переведут на подписку через год.

Через агента. Если у вас уже стоит Claude Code или другой консольный помощник, никакая оболочка не обязательна: попросите его поставить Whisper и расшифровать файл. Он скачает модель, подберёт параметры и вернёт текст. Это вариант для разовой расшифровки записи, а не для ежедневной диктовки.

Куда это встроить, чтобы не осталось игрушкой

Голосовой ввод сам по себе экономит минуты. Пользу он начинает приносить, когда у наговорённого есть адрес.

У меня он такой: мысль или задача наговаривается голосовым сообщением в Telegram, оттуда расшифровка падает в базу знаний, а агент трижды в день разбирает вброшенное по проектам и утром отдаёт план на день. Смысл не в распознавании, а в том, что идея не теряется между «подумал в машине» и «сел за компьютер».

Второй сценарий, который окупается сразу, — диктовать задачи агенту. Хорошая постановка задачи для модели длинная: контекст, ограничения, что уже пробовали. Печатать такое лень, и в итоге пишется куцый запрос, на который приходит куцый ответ. Наговорить тот же объём — полминуты.

Читайте такжеТранскрибация в текстЗа расшифровку встреч и кружочков многие платят подписку каждый месяц. Это давно не нужно: модель весит около трёх гигабайт, ставится на компьютер и работает бесплатно и без интернета. Разбираю, как это устроено у меня.

Чего ждать не стоит

Распознавание не расставляет смысловые акценты. Оно даёт поток слов с приблизительной пунктуацией, а вычитку никто не отменял: имена, термины и аббревиатуры искажаются регулярно.

Диктовать статьи целиком тоже не выйдет — устная речь и письменная устроены по-разному, наговорённый текст всегда нужно переписывать. Голосовой ввод хорош там, где важна скорость входа, а не форма: заметки, задачи, черновики, промпты, переписка.

И последнее: локальная модель снимает вопрос «куда уехала запись», но не снимает вопрос согласия собеседника. Записывать созвон, потому что технически это стало бесплатно, — плохая причина.