Обычный голосовой ввод рассчитан на одного говорящего рядом с микрофоном: модель просто превращает звук в текст, не разделяя голоса. Если говорят несколько человек одновременно, слова накладываются и получается каша вместо текста. У Потока (potok.now) заявленная ошибка распознавания 2,1% на бенчмарке GolosTest измерена на одном голосе, а не на нескольких говорящих сразу.
Голосовой ввод часто путают с расшифровкой любой записи, где есть звук: кажется, что раз программа превращает речь в текст, значит, справится с любым разговором, включая созвон на несколько человек. На деле обычная диктовка устроена под другую задачу — один голос рядом с микрофоном, а не комната, где говорят одновременно несколько людей.
Почему модель распознавания не умеет разделять голоса
Модель распознавания речи на входе получает один звуковой поток — то, что записал микрофон, — и превращает его в текст целиком, без понимания, сколько людей говорит. Если голос один, задача простая: звук соответствует одной последовательности слов. Если голоса накладываются друг на друга, на входе оказывается уже смешанная звуковая волна, в которой слова из разных реплик физически слились по времени, — модель не может достать из неё два отдельных потока текста, потому что разделять голоса до распознавания она не умеет.
Именно так устроен и Поток: он надиктовывает текст одного говорящего в активное поле в реальном времени и не делает диаризацию — разметку записи по разным говорящим. Хоткей по умолчанию — Ctrl+Space: один человек зажимает клавишу, говорит, отпускает, и распознаётся его голос. Личный словарь помогает с терминами и именами для этого одного голоса, но не решает задачу разделения нескольких говорящих — это вообще другая технология, которая работает не в реальном времени диктовки, а при последующем разборе уже готовой записи.
Разделение голосов — не улучшение существующей модели распознавания, а отдельный шаг обработки: сначала запись делят на отрезки по смене голоса, затем группируют отрезки одного человека вместе. Программы для голосового ввода, включая перечисленные в подборке программ для голосового ввода, этот шаг не выполняют — они рассчитаны на диктовку одного человека, а не на разбор многоголосой записи.
Где голосовой ввод справляется, а где ломается на нескольких голосах
Голосовой ввод нормально работает там, где говорит один человек, даже если вокруг есть посторонний шум: разговоры за соседним столом, музыка, звуки улицы — если чужие голоса заметно тише и не накладываются по времени на основную речь, они воспринимаются как фон, а не как дополнительный источник слов. Так же обычно работает диктовка во время видеозвонка, если говорит только один участник, а остальные молчат: программа слышит один голос через микрофон устройства и распознаёт его как обычно.
Ломается всё, когда несколько человек говорят одновременно и примерно одинаково громко: совещание, где перебивают друг друга, семейный разговор на фоне, включённая запись с двумя активными собеседниками. В этот момент модель получает звук, где слова двух и больше реплик наложены друг на друга, и результат распознавания превращается в обрывки фраз вперемешку — часть слов теряется, часть привязывается не к тому говорящему. Сравнение Потока с локальным распознаванием на устройстве — в материале поток или GigaType.
| Задача | Знаков | Печать (200 зн/мин) | Голос (900 зн/мин) |
|---|---|---|---|
| ответ в чате | 300 | 2 мин | 0.5 мин |
| письмо | 1500 | 8 мин | 1.7 мин |
| пост или протокол | 4000 | 20 мин | 4.4 мин |
| статья | 10000 | 50 мин | 11.1 мин |
Когда нужен другой инструмент
Поток — облачный сервис, распознавание речи происходит на серверах в России, и без подключения к интернету он не работает. Он надиктовывает текст одного говорящего в активное поле в реальном времени и не делает диаризацию, а расшифровки файлов и уже готовых записей у него тоже нет — загрузить запись совещания или созвона с несколькими участниками и получить размеченный по спикерам текст в нём нельзя. Для расшифровки встреч, интервью и многоголосых звонков нужен отдельный инструмент транскрипции с диаризацией, а не обычная программа голосового ввода — эта задача решается другой технологией и другим продуктом.
Частые вопросы
Нет, дело не в микрофоне: даже качественная запись передаёт наложенные голоса одной звуковой волной, а модель распознавания на входе получает уже смешанный звук. Разделение голосов — отдельная задача, которую решает не микрофон, а специальная технология диаризации, применяемая уже после записи.
Если посторонний голос звучит заметно тише и не совпадает по времени с вашей речью, распознавание обычно справляется — как с любым фоновым шумом. Но если оба голоса говорят одновременно и примерно одинаково громко, слова из двух реплик могут перепутаться в одном фрагменте текста.
Диктовка особенно выгодна для длинных текстов «с ходу» — черновиков писем, заметок, ответов в мессенджерах, конспектов, а также когда руки заняты или устали (например, при RSI). Для коротких точных правок (однословные команды, код) печать часто быстрее.
Встроенные системные инструменты (Win+H в Windows, Диктовка в macOS, Voice Typing в Google Docs, Gboard на Android), голосовые расширения браузера, а также специализированные десктопные/веб-сервисы (Поток и аналоги), которые работают поверх любого приложения через хоткей.
У Потока заявлено около 900 знаков в минуту голосом против около 200 при печати — примерно в 4 раза быстрее. Это оценка продукта, а не независимый замер.
Голосовой ввод — это преобразование речи в текст «на лету»: пользователь говорит, а программа расшифровывает звук через технологию распознавания речи (ASR) и вставляет получившийся текст в активное поле — почту, мессенджер, документ. У Потока это устроено через хоткей: зажал — говоришь — отпустил — текст вставился.
Попробовать на своих текстах
Скачайте «Поток» для Windows, macOS или Linux: первые 14 дней — полный доступ без карты. Потом бесплатно 2500 слов в неделю или Pro за 690 ₽ в месяц. «Поток» — облачный сервис: распознавание идёт на серверах в России, без интернета он не работает.
Скачать «Поток»В подписку «Потока» входит и Telegram-бот @potok_now_bot: перешлите ему голосовое или длинную запись встречи — он вернёт текст. Без подписки в боте 60 минут в месяц бесплатно.
Программы по теме: сравнение условий
| Сервис | Платформы | Бесплатно | Цена | Оплата из РФ | Где распознаётся речь |
|---|---|---|---|---|---|
| Поток | Windows, macOS, Linux | Free: 2500 слов в неделю; первые 14 дней — полный доступ без карты | Pro 690 ₽/мес, 499 ₽/мес при оплате за год | российские карты, рубли | облако, серверы в России; нужен интернет |
| SpeakFlow | Windows, Web | 30 минут диктовки в месяц, бесплатно навсегда | 690 ₽/мес (Персональный (безлимит)) | рубли напрямую | облако (страна дата-центра не раскрыта на сайте) (не подтверждено) |
| Диктуй | Windows, macOS | 30 минут диктовки в месяц, бесплатно навсегда | 239 ₽/мес (Профи (цена в пересчёте при годовой оплате)); 2870 ₽/год (Профи (год, счёт целиком)); 479 ₽/мес (Макс (цена в пересчёте при годовой оплате)) | рубли напрямую (не подтверждено) | облако (страна дата-центра не раскрыта на сайте) (не подтверждено) |
| Talkpad | macOS, Windows, Android | 2500 слов/нед на десктопе, 1500 слов/нед на мобильном, бесплатно навсегда; плюс 14 дней Pro-триал | $6/мес (Pro (при годовой оплате, $72/год)); $8/мес (Pro (помесячная оплата)) | неизвестно (не подтверждено) | облако (юрлицо зарегистрировано в Австралии; сайт хостится на Cloudflare, точное расположение серверов ASR не раскрыто в privacy policy) (не подтверждено) |
| Voisty | Windows, macOS | 5 минут транскрипции (для оценки качества) | $6.7/мес (Pro); $67/год (Pro (год)); $99/разово (Lifetime) | карты Visa/Mastercard/Amex, PayPal; приём карт РФ не уточнён (не подтверждено) | устройство (офлайн, локальные модели типа Whisper Large V3 Turbo / NVIDIA Parakeet) |
| WhispeRu | Windows | 7 дней бесплатный пробный период (без карты) | 290 ₽/мес (месячная лицензия); 1990 ₽/год (годовая лицензия); 4990 ₽/разово (лицензия навсегда) | рубли напрямую (оплата через YooKassa) | устройство (офлайн) |
| GigaType | Windows, macOS | бесплатно без ограничений — открытый исходный код по лицензии MIT (Copyright (c) 2026 Disrupt Builders), весь функционал доступен без оплаты | — | не требуется — платных тарифов нет | устройство (офлайн, нейросеть GigaAM от Сбера) |
| Molvi | Windows, macOS | бесплатно навсегда, без аккаунтов и оплаты | — | не требуется — продукт бесплатный; добровольные пожертвования принимаются через Telegram Tribute или картой на сайте, суммы не фиксированы | устройство (офлайн; на NVIDIA GPU лучшее качество, иначе быстрая модель на CPU) |
Первоисточники: speakflow.ru · speakflow.ru · speakflow.ru · blog.speakflow.ru