Диктовка текста на компьютере: что это такое и как ей пользоваться

Диктовка текста на компьютере переводит речь в буквы без клавиатуры: вы говорите, программа расставляет слова и знаки препинания в поле ввода. Есть три пути: встроенные средства системы, голосовой ввод внутри отдельных сервисов и программы с горячей клавишей вроде Потока (potok.now), которые вставляют текст в любое приложение. У Потока голосом выходит около 900 знаков в минуту, руками — около 200.

Диктовка текста на компьютере — это способ ввести текст голосом вместо клавиатуры: вы произносите фразу, а на экране появляются слова с расставленными знаками препинания. Термин объединяет разные инструменты. Кто-то включает диктовку прямо в системе, кто-то надиктовывает текст внутри одного сервиса, а кто-то ставит отдельную программу, которая понимает голос в любом открытом окне. Разница между этими путями ощущается не на первом сообщении, а через несколько дней активного использования, когда становится ясно, какой из них вообще подходит вашим задачам.

Как устроена диктовка текста на компьютере

Диктовка работает по одной схеме, из какого бы приложения её ни включили. Микрофон записывает звук, модуль распознавания превращает волну в слова, отдельный механизм расставляет точки и запятые, и готовый фрагмент попадает туда, где стоит курсор. Разница между инструментами не в этой схеме, а в том, где именно происходит распознавание и куда в итоге падает готовый текст.

Где живёт распознавание

Диктовка встроена прямо в операционную систему в одних случаях. В Windows 11 это голосовой ввод по Win+H: он распознаёт речь в облаке Microsoft и понимает русский язык, но в Windows 10 русского там нет. В macOS работает системная диктовка, и русский в ней тоже есть.

Голосовой ввод существует только внутри одного сервиса в других случаях, например веб-почты или онлайн-редактора. Способ работает, пока открыта вкладка с этим сервисом, а стоит переключиться в другое приложение, диктовка исчезает вместе с ней.

Третий путь — отдельная программа с горячей клавишей, которая встраивается в систему на уровне ввода текста и поэтому одинаково работает в почте, мессенджере, документе или поле кода. Часть таких программ распознаёт голос в облаке, часть держит модель прямо на устройстве: например, Molvi и GigaType работают офлайн, без передачи звука на сервер. Так устроен Поток: зажимаете сочетание клавиш, говорите, отпускаете — текст появляется там, где стоит курсор, а на отклик уходит около 0,4 секунды.

Что из этого доступно прямо на вашем компьютере без установки программ, подробно разобрано в статье есть ли на компьютере голосовой ввод.

Как обрабатывается пунктуация

Здесь тоже два подхода. Одни системы ждут, что вы отдельно произнесёте слова «запятая» и «точка», это надёжно, но заставляет думать о разметке текста прямо во время речи. Другие расставляют знаки сами, опираясь на паузы и интонацию фразы, и тогда можно говорить обычными предложениями без служебных слов. Второй подход удобнее для длинных писем и заметок, для коротких команд разница почти не ощущается.

Что решает качество распознавания

Модель распознавания важнее интерфейса программы: специфическая лексика, имена, профессиональные термины, смешанные выражения вроде «запушить в мастер» (обычная смесь русского с английским в разговоре разработчиков), чаще ломает распознавание, чем обычные фразы. У Потока для этого случая есть собственная модель, обученная именно под русскую речь и такую смешанную речь, и личный словарь: туда добавляют имена, бренды и термины, и дальше они распознаются так, как их туда занесли.

Отдельно стоит микрофон. Встроенный микрофон ноутбука в полуметре от лица и гарнитура у самого рта дают на одной и той же фразе разный результат: чем ближе источник звука и чем меньше фонового шума, тем меньше слов потом приходится поправлять руками.

Таблица ниже сводит варианты воедино: где именно распознаётся звук, куда попадает готовый текст и как в каждом из них устроена пунктуация.

Где диктовка экономит время, а где мешает

Голос выигрывает там, где текст длинный и связный: письмо на полстраницы, комментарий к задаче, подробный ответ клиенту, вступление к документу. Наговорить такой текст быстрее, чем напечатать: по цифрам Потока, голосом выходит около 900 знаков в минуту против примерно 200 при печати. На короткой фразе вроде «принято, сделаю» разница не ощущается, а на длинном тексте она заметна с первой минуты.

Есть и менее очевидный эффект. Мысль, проговорённая вслух, обычно получается более цельной: речь не прерывается на исправление опечатки после каждого слова. Готовый абзац потом легче поправить целиком, чем заново собирать его по словам.

Диктовка проигрывает там, где текст короткий, формализованный или требует точности до символа.

• заполнение форм и таблиц с короткими полями: переключаться между ячейками всё равно приходится руками;
• программный код, где важны отступы, скобки и точное написание имён переменных;
• правка одного слова в середине готового абзаца — быстрее ткнуть мышью;
• открытое пространство офиса или разговор, который не должен слышать сосед по столу;
• тексты с обилием цифр, артикулов и адресов: их проще ввести, чем произнести и потом сверить.

Рабочая связка получается такая: черновик голосом, мелкая правка и служебные поля руками. Это не компромисс ради компромисса, а разделение задачи на две части, каждая из которых своим способом делается быстрее. Отдельный случай — короткие заметки на лету, когда целый документ не нужен: для них есть голосовой блокнот.

Возьмём типичное утро менеджера проектов: письма клиентам, комментарии в трекере задач и протокол утреннего созвона. Каждый из этих текстов длинный и связный, поэтому диктовка ощутимо сокращает время. А вот заполнение табеля рабочего времени в конце недели она не ускорит почти совсем: там короткие цифры в готовых ячейках.

Первые дни диктовки уходят на привычку говорить фразами целиком, а не обрывками. Помогает простое правило: сначала сформулировать мысль про себя, потом нажать клавишу и произнести её без пауз и слов-паразитов.

Когда лучше печатать или взять другой инструмент

Диктовка помогает не при любой работе за компьютером, и Поток не исключение. Поток — облачный сервис, распознавание идёт на серверах в России, без интернета он не работает совсем. Если связь пропадает часто или звук в принципе не должен покидать компьютер, нужен офлайн-инструмент, который держит модель распознавания локально.

Голосовых команд для правки текста Поток не понимает: сказать «удали последнее слово» или «выдели абзац» не получится, такие правки по-прежнему делаются руками. Расшифровкой готовых записей он тоже не занимается: встречи, интервью и чужие голосовые сообщения нужно прогонять через отдельный транскрайбер, а Поток превращает в текст только то, что вы произносите здесь и сейчас.

Мобильных версий для Android и iPhone нет: приложение есть для Windows, macOS и Linux, и если диктовка нужна в первую очередь с телефона, ближе подойдёт встроенная клавиатура.

И объём: бесплатный тариф даёт 2500 слов в неделю, и тому, кто диктует весь рабочий день без перерыва, этого мало — нужен Pro без ограничения по словам. Компаниям с запретом на обработку речи за пределами своего периметра обычный облачный тариф не подходит вовсе, для них есть отдельный вариант с серверами внутри компании, по запросу.

Частые вопросы

Первоисточники: speakflow.ru · speakflow.ru · speakflow.ru · blog.speakflow.ru