Голосовой ввод, который не покидает компьютер

Нет. Звук распознаёт файл модели, лежащий на вашем же диске, и удаляется вместе с временной папкой, в которой жил. Через сеть проходит только разовая загрузка модели, а дальше голосовой ввод работает и с полностью выключенной сетью.

780 миллисекунд от отпускания клавиши до появления текста — замерено на настоящей пятисекундной фразе с моделью по умолчанию, ноутбук на M5. Пятнадцатисекундная фраза заняла 0,66–0,75 секунды. Тяжёлая large-v3-turbo — примерно вдвое дольше.

Да: хоткей регистрируется на весь компьютер, поэтому срабатывает и в терминале, и в браузере, и в мессенджере, и в редакторе — при том что сам MediaChef в фоне или вообще с закрытым окном.

По умолчанию правый ⌥ — одиночный модификатор: зажали и говорите, или нажали один раз — начать, ещё раз — закончить; вместе с Shift текст отправится Enter'ом. Одиночная клавиша-модификатор ничего не печатает и никем не занята. Сочетания вроде ⌥ Space в режиме удержания печатали пробел, если отпустить ⌥ раньше, — поэтому от них отказались; ⌃⌥ Space и ⌃⌥ D остались как запасные.

Для двух вещей. Услышать клавишу-триггер: одиночный модификатор нельзя зарегистрировать обычным хоткеем, поэтому MediaChef слушает клавиатуру сам, а это macOS разрешает только с «Универсальным доступом». И напечатать текст в окно чужого приложения — это система считает синтетическим вводом. Разрешение одно на оба, выдаётся один раз; после него приложение нужно перезапустить.

Текст уйдёт в буфер обмена, а уведомление скажет почему и откроет нужный раздел системных настроек. Из-за недостающего разрешения надиктованное не пропадает никогда.

Приложение плюс одна речевая модель: 488 МБ у той, что по умолчанию, 78 МБ у самой маленькой, 1,62 ГБ у самой большой. Если вы уже расшифровываете файлы в MediaChef, модель у вас есть, и голосовой ввод не добавит ничего.

Whisper знает 99 языков, и вы можете либо назвать свой, либо позволить определить его самому. Смесь языков в одной фразе — как раз тот случай, где тяжёлая модель отрабатывает свой размер, а словарь помогает сильнее всего.

Пять минут, дальше запись останавливается сама и расшифровывает услышанное, а не выбрасывает. На практике диктуют фразами, а не монологами.

Escape во время записи выбрасывает дубль и ничего не доставляет. Он перехватывается только пока вы диктуете, поэтому Escape во всех остальных местах работает как обычно.

Та же работа с двумя значимыми отличиями: этой можно объяснить ваш словарь, и звук остаётся на вашей машине. Если ни то ни другое вам не важно, встроенная уже стоит в системе и тоже бесплатна.

Да. MediaChef открыт под GPL-3.0, платной версии и подписки нет — голосовой ввод в том числе. Текущий релиз — 0.8.5, голосовой ввод в нём есть.

Это два разных прохода. Пока вы говорите, плашка показывает черновик — его делает лёгкая модель каждые полторы секунды, чтобы успевать за речью. Печатается итог основной модели по цельной записи, со словарём терминов. Обе модели выбираются на вкладке «Диктовка»: поставьте живому показу ту же, что основной, и расхождение исчезнет — ценой отставания плашки.

macOS привязывает разрешение не к названию программы, а к её подписи. Сертификата Apple у MediaChef нет — платить за него мы не будем, — поэтому у каждой версии подпись своя, и система считает обновлённое приложение новым. Приложение само снимает устаревшую запись и просит разрешение заново: один переключатель и одно «Разрешить» на обновление.

Значит запись в списке относится к прежней копии приложения — после обновления так и бывает. Выключать и включать её обратно бесполезно, это проверено. MediaChef снимает такую запись сам и вызывает системный запрос: включите его в списке и перезапустите приложение.

Чаще всего виновата гарнитура: AirPods в кейсе остаются подключёнными и входом по умолчанию, и macOS отдаёт с них ровные нули — любому приложению, не только нашему. Уведомление называет устройство, с которого пришла тишина. Наденьте гарнитуру или выберите микрофон явно на вкладке «Диктовка».

Да, на вкладке «Диктовка» есть список устройств ввода. «Как в системе» — это последняя подключённая гарнитура, а не микрофон ноутбука, и именно поэтому явный выбор надёжнее.

Ничего не вставится. Пустая запись до распознавания даже не доходит: Whisper на тишине не молчит, а выдумывает — русская модель печатала титры «Субтитры создавал DimaTorzok». Такие подписи субтитровщиков распознаются и считаются тишиной, а вы получаете «речи не слышно».

Просыпается аудиоподсистема macOS — до двух секунд на первое открытие микрофона за запуск. Плашка появляется сразу, ещё до того как пошла запись, поэтому держите клавишу, пока она не скажет «Слушаю». Дальше открытие занимает десятки миллисекунд.

Нажмите триггер вместе с Shift: текст напечатается и Enter нажмётся сам. Пустая диктовка Enter не нажимает никогда — иначе молчание отправляло бы пустое сообщение или выполняло бы предыдущую команду в терминале.

Запись отменится и ничего не вставится. Правый ⌥ с буквой — это чужое сочетание клавиш, а не диктовка, и приложение трактует его именно так.

Нет. Запись живёт во временной папке и удаляется вместе с ней, а хранение расшифровок по умолчанию выключено. Программа обещает, что содержимое не покидает компьютер, и писать на него всё надиктованное открытым текстом было бы странно: диктуют пароли и куски переписки.

Да. Плашка показывается над полноэкранными окнами и на всех рабочих столах — диктуют как раз в развёрнутых на весь экран редакторах и терминалах.

На вкладке «Диктовка» есть правый ⌘ — второй одиночный модификатор, у которого у системы тоже нет своих действий, — и две обычные комбинации, ⌃⌥ Space и ⌃⌥ D, на случай если оба модификатора уже кем-то заняты.