Κοιτάτε τον κέρσορα να αναβοσβήνει σε ένα άδειο email. Ξέρετε τι θέλετε να πείτε. Απλώς δεν θέλετε να το πληκτρολογήσετε.
Η υπαγόρευση στο Mac υπάρχει από το 2012, και οι περισσότεροι την παράτησαν εδώ και χρόνια. Η φωνητική υπαγόρευση με AI για Mac είναι αυτό που το άλλαξε τους τελευταίους 18 μήνες. Η παλιά εμπειρία του «μιλάς στο μικρόφωνο και βλέπεις έναν τοίχο από τυπογραφικά λάθη» αντικαταστάθηκε αθόρυβα από κάτι που πραγματικά μοιάζει με γραφή.
Να η λεπτομέρεια που τα περισσότερα άρθρα παραλείπουν. Το δύσκολο κομμάτι δεν είναι πια η μεταγραφή, αυτό λύθηκε. Αυτό που άλλαξε είναι το επίπεδο από πάνω, αυτό που παίρνει τις διάσπαρτες σκέψεις σας και τις μετατρέπει σε καθαρό κείμενο πριν καν φτάσει στην οθόνη σας. Το άρθρο αυτό περιγράφει αναλυτικά όλη τη διαδικασία, βήμα προς βήμα, ώστε να δείτε τι ακριβώς κάνει το Mac σας από τη στιγμή που αρχίζετε να μιλάτε μέχρι τη στιγμή που το καλογραμμένο κείμενο εμφανίζεται στο πρόχειρό σας.
Γιατί η υπαγόρευση στο Mac επιτέλους είναι χρηστική
Δύο νούμερα εξηγούν γιατί ο κόσμος επιστρέφει στην υπαγόρευση. Ο μέσος άνθρωπος πληκτρολογεί γύρω στις 40 λέξεις ανά λεπτό. Ο μέσος άνθρωπος μιλάει γύρω στις 150. Αυτό σημαίνει περίπου τέσσερις λέξεις προφορικά στον χρόνο που χρειάζεται για να γραφτεί μία.
Όμως η ταχύτητα δεν ήταν ποτέ το πραγματικό πρόβλημα. Το πρόβλημα ήταν το αποτέλεσμα. Η παλιά υπαγόρευση σάς έδινε μια κυριολεκτική μεταγραφή κάθε «εεε», κάθε επανεκκίνησης, κάθε «μισό, όχι, ξέχνα το». Κερδίζατε 30 δευτερόλεπτα στην υπαγόρευση και ξοδεύατε 90 για να τα διορθώσετε.
Οι σύγχρονες εφαρμογές υπαγόρευσης με AI το έλυσαν προσθέτοντας ένα δεύτερο βήμα. Η ομιλία περνά πρώτα από μεταγραφή, όπως πριν. Έπειτα παραδίδεται σε ένα γλωσσικό μοντέλο που την ξαναγράφει όπως θα έκανε ένας προσεκτικός επιμελητής. Παρεμβολές αφαιρούνται. Η γραμματική διορθώνεται. Οι προτάσεις ολοκληρώνονται. Όταν το κείμενο εμφανίζεται στην οθόνη σας, διαβάζεται σαν κάτι που θα γράφατε σε μια καλή σας μέρα.
Τα πέντε βήματα πίσω από τη φωνητική υπαγόρευση με AI στο Mac
Η διαδικασία είναι σύντομη. Πέντε βήματα, τα περισσότερα αόρατα: 1. Καταγραφή, όπου το Mac συλλαμβάνει τη φωνή σας. 2. Μεταγραφή, όπου ο ήχος γίνεται ακατέργαστο κείμενο. 3. Επιμέλεια, όπου το ακατέργαστο κείμενο καθαρίζεται από ένα μοντέλο AI. 4. Εφαρμογή πλαισίου, όπου το στυλ γραφής προσαρμόζεται στο σημείο όπου πάει το κείμενο. 5. Παράδοση, όπου το καλογραμμένο κείμενο φτάνει στον κέρσορά σας.
Κάθε βήμα έχει το δικό του μοντέλο, τους δικούς του συμβιβασμούς και τα δικά του σημεία που μπορεί να αστοχήσει. Αξίζει να τα δούμε ένα προς ένα.
Βήμα 1: Καταγραφή, πώς το Mac συλλαμβάνει τη φωνή σας
Αυτό το κομμάτι δεν είναι ιδιαίτερα εντυπωσιακό. Πατάτε ένα πλήκτρο συντόμευσης (FN, Option+Space ή ό,τι χρησιμοποιεί η εφαρμογή) και το μικρόφωνο αρχίζει να ακούει. Η εφαρμογή καταγράφει τον ήχο στη μνήμη, συνήθως σε 16-bit, 16 kHz, τη μορφή που περιμένει το μοντέλο μεταγραφής.
Οι περισσότερες σύγχρονες εφαρμογές υπαγόρευσης για Mac δεν χρησιμοποιούν ανίχνευση φωνητικής δραστηριότητας για την έναρξη και τη διακοπή. Χρησιμοποιούν το πλήκτρο συντόμευσης. Κρατάτε για να μιλάτε, αφήνετε για να σταματήσετε. Ο λόγος είναι η αξιοπιστία. Η ανίχνευση φωνής σε ανοιχτό μικρόφωνο μέσα σε μια καφετέρια είναι λοταρία. Ένα πάτημα πλήκτρου δεν είναι.
Λίγα πράγματα συμβαίνουν κατά την καταγραφή που δεν τα βλέπετε. Ο ήχος αποθηκεύεται προσωρινά, συχνά με καταστολή θορύβου μέσω του ενσωματωμένου audio framework της Apple, και τεμαχίζεται σε τμήματα. Αν μιλάτε για περισσότερο από το μέγεθος του τμήματος, συνήθως 30 δευτερόλεπτα, η εφαρμογή μπορεί να χωρίσει την ηχογράφηση πριν τη στείλει παρακάτω.
Βήμα 2: Μεταγραφή, πώς το Whisper μετατρέπει τον ήχο σε λέξεις
Εδώ οι περισσότερες εφαρμογές υπαγόρευσης με AI για Mac συγκλίνουν σε μία τεχνολογία: το μοντέλο Whisper της OpenAI. Το Whisper είναι ένα σύστημα αναγνώρισης ομιλίας εκπαιδευμένο σε περίπου 5 εκατομμύρια ώρες ήχου σε 99 γλώσσες. Η τρέχουσα έκδοση, large-v3, πετυχαίνει περίπου 2,7% ποσοστό λάθους ανά λέξη σε καθαρό αγγλικό ήχο και 8 έως 12% σε θορυβώδεις πραγματικές ηχογραφήσεις.
Με απλά λόγια: αν μιλάτε φυσικά, περίπου 92 με 97 τοις εκατό των λέξεων θα μεταγραφούν σωστά, χωρίς ρύθμιση. Πρόκειται για άλλη κατηγορία ακρίβειας από αυτή που πρόσφερε η αρχική μηχανή υπαγόρευσης της Apple, και γι' αυτό απογειώθηκαν οι εφαρμογές τρίτων.
Να, χονδρικά, τι κάνει το Whisper στον ήχο σας: - Κόβει την ηχογράφηση σε τμήματα των 30 δευτερολέπτων. - Μετατρέπει κάθε τμήμα σε φασματογράφημα, μια οπτική αναπαράσταση του ήχου σε συχνότητες και χρόνο. - Τροφοδοτεί το φασματογράφημα σε ένα νευρωνικό δίκτυο που έχει μάθει να αντιστοιχίζει ηχητικά μοτίβα σε λέξεις. - Προβλέπει επίσης τη γλώσσα, τη στίξη και πού τελειώνουν οι προτάσεις.
Το μοντέλο μπορεί να τρέξει τοπικά στο Mac σας (το Apple Silicon το διαχειρίζεται άνετα) ή στο cloud. Η τοπική εκτέλεση είναι ιδιωτική και λειτουργεί χωρίς σύνδεση. Το cloud είναι ταχύτερο σε παλαιότερο υλικό και υποστηρίζει μεγαλύτερα μοντέλα. Πολλές εφαρμογές σας αφήνουν να επιλέξετε.
Αυτό που παίρνετε στο τέλος αυτού του βήματος είναι μια ακατέργαστη μεταγραφή. Με στίξη, ως επί το πλείστον ακριβής, συχνά λίγο ακατάστατη. Εδώ σταματάει η ενσωματωμένη υπαγόρευση της Apple. Οι ενδιαφέρουσες εφαρμογές, όχι.
Βήμα 3: Επιμέλεια, το επίπεδο που άλλαξε τα πάντα
Αυτό είναι το βήμα που μετέτρεψε την υπαγόρευση στο Mac από «κάπως χρήσιμη» σε «έχω εβδομάδες να πληκτρολογήσω email».
Μετά τη μεταγραφή, το ακατέργαστο κείμενο στέλνεται σε ένα γλωσσικό μοντέλο, συνήθως κλάσης GPT-4 ή Claude, με μια οδηγία όπως: ``` Rewrite this as polished, professional text. Remove filler words and false starts. Keep the meaning. Don't add anything. ```
Δείτε πώς φαίνεται αυτό στην πράξη.
Αυτό που είπατε
*«Λοιπόν εεε, ήθελα να επανέλθω στην, εεε, πρόταση από την περασμένη εβδομάδα. Νομίζω, ξέρεις, μάλλον πρέπει να προχωρήσουμε με την επιλογή δύο; Ναι, επιλογή δύο. Μπορείς, μπορείς να μου στείλεις το συμβόλαιο μέχρι την Παρασκευή;»*
Αυτό που φτάνει στο πρόχειρό σας
*«Επανέρχομαι σχετικά με την πρόταση της περασμένης εβδομάδας. Θα ήθελα να προχωρήσουμε με την επιλογή δύο. Μπορείς να μου στείλεις το συμβόλαιο μέχρι την Παρασκευή;»*
Ίδιο νόημα. Διαφορετική εμπειρία ανάγνωσης. Και συνέβη σε λιγότερο από δύο δευτερόλεπτα.
Αυτό το κομμάτι είναι δύσκολο να περιγραφεί μέχρι να το δοκιμάσετε. Σταματάτε να σκέφτεστε πώς ακούγεστε. Σταματάτε να αυτο-επιμελείστε ενώ μιλάτε. Απλώς λέτε αυτό που θέλετε να πείτε, όπως θα το λέγατε σε έναν συνάδελφο, και αυτό που βγαίνει είναι η εκδοχή που θα είχατε γράψει αν είχατε χρόνο.
Αν ήδη υπαγορεύετε αλλά χάνετε χρόνο διορθώνοντας μετά, αυτό είναι το κενό που καλύπτει το Voicr. Κρατήστε το FN, μιλήστε όπως θέλετε, και αυτό που πέφτει στο πρόχειρό σας είναι ήδη καλογραμμένο. Χωρίς δεύτερο πέρασμα, χωρίς «πρέπει να φτιάξω αυτή τη μία πρόταση», απλώς καθαρό κείμενο έτοιμο για επικόλληση.
Βήμα 4: Επίγνωση πλαισίου, διαφορετικά στυλ για διαφορετικές εφαρμογές
Αυτό το βήμα είναι νεότερο. Είναι επίσης αυτό που διαχωρίζει τις καλύτερες εφαρμογές υπαγόρευσης για Mac από τις απλώς επαρκείς.
Ένας ευγενικός, επίσημος τόνος ταιριάζει σε ένα email προς πελάτη. Είναι παράξενος σε ένα μήνυμα στο Slack προς συνάδελφο. Είναι λάθος σε σχόλια κώδικα. Μια καλή εφαρμογή υπαγόρευσης καταλαβαίνει σε ποια εφαρμογή είστε και προσαρμόζεται.
Ο μηχανισμός είναι απλός. Η εφαρμογή διαβάζει ποια εφαρμογή έχει την εστίαση. Ανατρέχει στον αποθηκευμένο κανόνα στυλ σας για αυτήν την εφαρμογή. Έπειτα ενσωματώνει αυτόν τον κανόνα στο prompt που πηγαίνει στο μοντέλο επιμέλειας.
Ένας κανόνας για το Slack μπορεί να λέει: ``` Keep it casual and brief. No corporate phrasing. Use contractions. One or two short sentences max. ``` Ένας κανόνας για email μπορεί να λέει: ``` Write in a professional tone. Full sentences. Add a greeting and sign-off if the content warrants it. ```
Ίδια φωνητική είσοδος. Δύο πολύ διαφορετικά αποτελέσματα ανάλογα με το ποιο παράθυρο είναι ανοιχτό. Δεν χρειάζεται να αλλάξετε κάτι. Απλώς μιλάτε, και βγαίνει ο σωστός τόνος.
Βήμα 5: Παράδοση, πώς φτάνει το κείμενο εκεί που το χρειάζεστε
Το τελευταίο βήμα είναι αυτό που χρειάστηκε τον περισσότερο χρόνο να στηθεί σωστά. Έχετε καλογραμμένο κείμενο. Πώς όμως φτάνει στο ενεργό πεδίο κειμένου σας;
Υπάρχουν δύο συνηθισμένες προσεγγίσεις: 1. Διαδρομή προχείρου. Η εφαρμογή αντιγράφει το καλογραμμένο κείμενο στο πρόχειρό σας και έπειτα ενεργοποιεί μια εντολή επικόλλησης (Cmd+V) μέσω των Accessibility APIs του macOS. Γρήγορη, αξιόπιστη, λειτουργεί σχεδόν σε κάθε εφαρμογή. 2. Εισαγωγή πλήκτρων. Η εφαρμογή προσομοιώνει την πληκτρολόγηση κάθε χαρακτήρα έναν προς έναν, χρησιμοποιώντας ένα εργαλείο όπως το AppleScript ή το ίδιο Accessibility framework. Πιο αργή, αλλά λειτουργεί σε εφαρμογές που μπλοκάρουν την επικόλληση (κάποια τραπεζικά site, συγκεκριμένες απομακρυσμένες επιφάνειες εργασίας, διαχειριστές κωδικών).
Οι περισσότερες εφαρμογές χρησιμοποιούν εξ ορισμού την επικόλληση από το πρόχειρο και καταφεύγουν στην εισαγωγή πλήκτρων μόνο όταν είναι απαραίτητο. Το αποτέλεσμα, από τη δική σας οπτική: το κείμενο εμφανίζεται στον κέρσορα περίπου μισό δευτερόλεπτο αφού αφήσετε το πλήκτρο συντόμευσης. Χωρίς εναλλαγή εφαρμογών, χωρίς βήμα αντιγραφής, χωρίς έλεγχο.
Τοπική επεξεργασία ή cloud: τι ακριβώς συμβαίνει
Μια ερώτηση που έρχεται συχνά: πού πάει η φωνή μου;
Υπάρχουν δύο πραγματικές επιλογές. Η τοπική επεξεργασία τρέχει το μοντέλο Whisper στο Mac σας. Ο ήχος σας δεν φεύγει ποτέ από τη συσκευή. Σε Apple Silicon (από M1 και μετά), το τοπικό Whisper τρέχει αρκετά γρήγορα για υπαγόρευση σε πραγματικό χρόνο, συνήθως με καθυστέρηση κάτω του ενός δευτερολέπτου. Ο συμβιβασμός: το βήμα επιμέλειας συνήθως εξακολουθεί να πηγαίνει σε ένα μοντέλο cloud, καθώς το τρέξιμο ενός γλωσσικού μοντέλου με 70 δισεκατομμύρια παραμέτρους τοπικά δεν είναι ρεαλιστικό για τους περισσότερους φορητούς. Κάποιες εφαρμογές προσφέρουν πλήρως τοπική λειτουργία με μικρότερο μοντέλο επιμέλειας, με κόστος στην ποιότητα.
Η επεξεργασία στο cloud στέλνει και τον ήχο και το βήμα επιμέλειας σε ένα απομακρυσμένο API. Πιο γρήγορη σε παλαιότερα Mac, υποστηρίζει τα μεγαλύτερα και πιο ακριβή μοντέλα. Ο συμβιβασμός είναι η ιδιωτικότητα. Η ομιλία σας φεύγει από τη συσκευή σας, ακόμα κι αν διαγράφεται αμέσως μετά τη μεταγραφή.
Για τους περισσότερους, ο συνδυασμός «τοπικό Whisper, επιμέλεια στο cloud» είναι η σωστή προεπιλογή. Για όποιον δουλεύει με ευαίσθητο υλικό (ιατρικές σημειώσεις, νομικά κείμενα, εσωτερικά εταιρικά δεδομένα), η πλήρως τοπική λειτουργία αξίζει τη μικρή απώλεια ποιότητας. Μια καλή εφαρμογή σας αφήνει να επιλέξετε ανά ηχογράφηση ή να ορίσετε μια προεπιλογή.
Πού σκοντάφτει ακόμα η υπαγόρευση με AI
Ειλικρινής ενότητα. Η διαδικασία είναι καλή. Δεν είναι τέλεια.
Τα ομώνυμα ακόμα μπερδεύονται. Το «their» έναντι του «there» έναντι του «they're» πέφτει σωστά τις περισσότερες φορές, αλλά όχι πάντα. Η επιμέλεια συνήθως το πιάνει από το συγκείμενο, αλλά όχι αν η γύρω πρόταση είναι διφορούμενη.
Τα κύρια ονόματα και η ορολογία είναι λοταρία. Το Whisper έχει δει τα περισσότερα κοινά ονόματα και τεχνικούς όρους, αλλά θα μπερδέψει οτιδήποτε εξειδικευμένο. Φαρμακευτικές ονομασίες, ονόματα code library, το ασυνήθιστο επώνυμο του συναδέλφου σας. Κάποιες εφαρμογές σας αφήνουν να προσθέσετε ένα προσαρμοσμένο λεξικό που ενσωματώνεται στο prompt.
Τα θορυβώδη περιβάλλοντα υποβαθμίζουν γρήγορα την ακρίβεια. Το Whisper διαχειρίζεται τον θόρυβο μιας καφετέριας εκπληκτικά καλά, αλλά ένα τηλέφωνο που χτυπάει δύο μέτρα μακριά ή κάποιος που μιλάει δίπλα σας θα τραβήξει λέξεις έξω από τη μεταγραφή σας.
Οι μακρόσυρτοι μονόλογοι ξεφεύγουν. Το μοντέλο είναι εξαιρετικό σε ριπές των 10 έως 30 δευτερολέπτων. Πέρα από τα 90 δευτερόλεπτα περίπου, μερικές φορές χάνει το νήμα, επαναλαμβάνει αποσπάσματα ή παραλείπει σύντομες φράσεις. Η λύση είναι απλώς να σταματάτε και να ξεκινάτε την ηχογράφηση σε τμήματα.
Αυτά τα όρια έχουν σημασία όταν ξεκινάτε. Κανένα δεν είναι αποτρεπτικό αν ξέρετε ότι υπάρχουν. Αν διαλέγετε ανάμεσα σε επιλογές, ο οδηγός μας για τις καλύτερες εφαρμογές μετατροπής φωνής σε κείμενο για Mac εξετάζει πώς οι κύριες εφαρμογές διαχειρίζονται αυτούς τους συμβιβασμούς.
Πώς να αρχίσετε να χρησιμοποιείτε φωνητική υπαγόρευση με AI στο Mac σας σήμερα
Τρία πρακτικά βήματα, με τη σειρά.
1. Διαλέξτε μία εργασία για να υπαγορεύετε καθημερινά για μια εβδομάδα. Το email είναι καλή αφετηρία, έχει την υψηλότερη μετατροπή από πληκτρολόγηση σε ομιλία (συνήθως ούτως ή άλλως σκέφτεστε πριν γράψετε). Μη δοκιμάσετε να υπαγορεύσετε τα πάντα αμέσως. Θα τα παρατήσετε.
2. Συνηθίστε να μιλάτε σε κανέναν. Τις πρώτες φορές που θα υπαγορεύσετε, θα νιώθετε περίεργα να μιλάτε φωναχτά σε ένα ήσυχο δωμάτιο. Αυτό περνάει σε περίπου τέσσερις μέρες.
3. Διαλέξτε μια εφαρμογή και μείνετε σε αυτήν. Υπάρχουν καλές επιλογές σε όλο το φάσμα τιμών, από την ενσωματωμένη υπαγόρευση της Apple μέχρι open-source εργαλεία Whisper και ολοκληρωμένες εφαρμογές με όλη τη ροή. Αν θέλετε τη ροή «μεταγραφή και επικόλληση» που περιγράψαμε παραπάνω, το Voicr κάνει ακριβώς αυτό. Κρατήστε το FN, μιλήστε, επικολλήστε. Whisper για μεταγραφή, ένα δυνατό γλωσσικό μοντέλο για επιμέλεια και στυλ γραφής ανά εφαρμογή που προσαρμόζονται όπου κι αν βρίσκεται ο κέρσοράς σας. Το δωρεάν επίπεδο σάς δίνει 5.000 λέξεις τον μήνα χωρίς πιστωτική κάρτα.
Η διαδικασία πίσω από όλα αυτά είναι επιτέλους αρκετά καλή ώστε η υπαγόρευση να μην είναι πια συμβιβασμός. Δεν ανταλλάσσετε ποιότητα με ταχύτητα. Παίρνετε και τα δύο. Το δύσκολο είναι μόνο να αποφασίσετε να σταματήσετε να πληκτρολογείτε.