Pisanie głosem, które nie opuszcza komputera

Nie. Dźwięk rozpoznaje plik modelu leżący na twoim własnym dysku i jest usuwany razem z katalogiem tymczasowym, w którym żył. Przez sieć przechodzi wyłącznie jednorazowe pobranie modelu; potem dyktowanie działa przy całkowicie wyłączonej sieci.

780 milisekund od puszczenia klawisza do pojawienia się tekstu, zmierzone na prawdziwym pięciosekundowym zdaniu z modelem domyślnym na laptopie z M5. Piętnastosekundowe zdanie zajęło 0,66–0,75 sekundy. Ciężki large-v3-turbo trwa około dwa razy dłużej.

Tak: skrót jest zarejestrowany dla całego systemu, więc odpala się w terminalu, w przeglądarce, w komunikatorze czy w edytorze — z MediaChefem w tle albo nawet z zamkniętym oknem.

Domyślnie prawy ⌥ — sam modyfikator: trzymaj i mów albo naciśnij raz, by zacząć, i jeszcze raz, by skończyć; z Shiftem tekst zostanie wysłany Enterem. Sam modyfikator nic nie wpisuje i z niczym nie koliduje. Kombinacje takie jak ⌥ Space w trybie trzymania wpisywały spację, gdy ⌥ puszczano wcześniej — dlatego zniknęły; ⌃⌥ Space i ⌃⌥ D zostają jako zapasowe.

Do dwóch rzeczy. Żeby słyszeć klawisz wyzwalający: samego modyfikatora nie da się zarejestrować jako zwykłego skrótu, więc MediaChef sam nasłuchuje klawiatury, a macOS pozwala na to tylko z uprawnieniem Dostępność. I żeby wpisywać tekst do okna innej aplikacji, co system traktuje jako syntetyczne wejście. Jedno uprawnienie obejmuje oba, nadaje się raz; potem uruchom aplikację ponownie.

Tekst pójdzie do schowka, a powiadomienie powie dlaczego, z otwartą już właściwą sekcją Ustawień systemowych. Nic z podyktowanego nigdy nie ginie z powodu brakującego uprawnienia.

Program plus jeden model mowy: 488 MB w domyślnym, 78 MB jeśli wybierzesz najmniejszy, 1,62 GB w największym. Jeśli już używasz MediaChefa do przepisywania plików, model masz na dysku i dyktowanie nie dodaje nic.

Whisper obsługuje 99 języków, a ty możesz albo wskazać swój, albo pozwolić mu go rozpoznać. Mieszanie języków w jednym zdaniu to właśnie ten przypadek, w którym ciężki model odpracowuje swój rozmiar i w którym słownik pomaga najbardziej.

Pięć minut, potem zatrzymuje się samo i przepisuje to, co usłyszało, zamiast wyrzucać. W praktyce dyktuje się zdaniami, nie monologami.

Escape podczas nagrywania wyrzuca ujęcie i nie dostarcza nic. Jest rejestrowany tylko na czas dyktowania, więc nie przeszkadza Escape'owi w żadnym innym miejscu.

Robi tę samą pracę z dwiema różnicami, które mają znaczenie: temu można wyłożyć twoje słownictwo, a dźwięk zostaje na twojej maszynie. Jeśli żadna z nich cię nie dotyczy, wbudowane już tam jest i też jest darmowe.

Tak. MediaChef jest otwartoźródłowy na licencji GPL-3.0, bez wersji płatnej i bez subskrypcji — dyktowanie także. Wydana wersja to 0.8.5, dyktowanie w niej jest.

To dwa osobne przebiegi. Gdy mówisz, panel pokazuje szkic tworzony przez lekki model co półtorej sekundy, żeby nadążyć za mową. Wpisywany jest wynik końcowy modelu głównego z całego nagrania, z twoim słownikiem terminów. Oba modele wybiera się na karcie Dyktowanie: ustaw w podglądzie ten sam model co główny i różnica zniknie — kosztem opóźnienia panelu.

macOS wiąże uprawnienie z podpisem aplikacji, nie z jej nazwą. MediaChef nie ma certyfikatu Apple — nie będziemy za niego płacić — więc każda wersja jest podpisana inaczej i system traktuje zaktualizowaną aplikację jak nową. Aplikacja sama usuwa nieaktualny wpis i prosi o uprawnienie ponownie: jeden przełącznik i jedno „Zezwól” na aktualizację.

To znaczy, że ten wpis należy do poprzedniej kopii aplikacji — tak właśnie bywa po aktualizacji. Wyłączenie i włączenie go z powrotem nic nie zmienia, sprawdziliśmy. MediaChef sam czyści ten wpis i wywołuje pytanie systemu: włącz go na liście i uruchom aplikację ponownie.

Najczęściej winny jest zestaw słuchawkowy: AirPodsy w etui pozostają połączone i pozostają wejściem domyślnym, a macOS oddaje z nich równe zera — każdej aplikacji, nie tylko naszej. Powiadomienie podaje urządzenie, z którego przyszła cisza. Założ słuchawki albo wybierz mikrofon wprost na karcie Dyktowanie.

Tak: karta Dyktowanie wypisuje urządzenia wejściowe. „Jak system” to ostatnio podłączony zestaw słuchawkowy, a nie mikrofon laptopa — i właśnie dlatego jawny wybór jest pewniejszy.

Nic nie zostanie wpisane. Puste nagranie nawet nie dociera do rozpoznawania: Whisper nie milczy wobec ciszy, tylko wymyśla — model rosyjski wpisywał napisy końcowe. Takie podpisy autorów napisów są rozpoznawane i traktowane jak cisza, a ty dostajesz „nie słychać mowy”.

Budzi się podsystem audio macOS: do dwóch sekund przy pierwszym otwarciu mikrofonu w danym uruchomieniu. Panel pojawia się od razu, jeszcze przed startem nagrywania, więc trzymaj klawisz, aż napisze, że słucha. Potem otwarcie zajmuje dziesiątki milisekund.

Naciśnij wyzwalacz razem z Shiftem: tekst zostanie wpisany, a Enter naciśnie się sam. Puste dyktowanie nigdy nie naciska Entera — inaczej milczenie wysłałoby pustą wiadomość albo wykonało poprzednie polecenie w terminalu.

Nagranie zostanie anulowane i nic nie zostanie wpisane. Prawy ⌥ z literą to czyjś skrót klawiaturowy, a nie dyktowanie, i program tak to rozumie.

Nie. Nagranie żyje w folderze tymczasowym i znika razem z nim, a przechowywanie historii transkrypcji jest domyślnie wyłączone. Aplikacja obiecuje, że twoje treści nie opuszczają komputera; zapisywanie na nim wszystkiego, co dyktujesz, otwartym tekstem źle by z tym współgrało — ludzie dyktują hasła i fragmenty prywatnych rozmów.

Tak. Panel rysuje się nad okrami na pełnym ekranie i na wszystkich pulpitach — edytory i terminale na pełnym ekranie to dokładnie te miejsca, gdzie się dyktuje.

Karta Dyktowanie oferuje też prawy ⌘ — drugi samotny modyfikator, któremu macOS nie przypisuje własnego działania — oraz dwie zwykłe kombinacje, ⌃⌥ Spacja i ⌃⌥ D, gdyby oba modyfikatory były już zajęte.