Strona główna › Mowa na tekst

Poradnik · zamiana mowy na tekst

Jak zamienić mowę na tekst na Macu

Zamiana mowy na tekst na Macu sprowadza się do czterech kroków: przytrzymujesz skrót i mówisz, model na Twoim dysku rozpoznaje wypowiedź, tekst ląduje w schowku, a Ty wklejasz go skrótem ⌘V. Wszystko odbywa się lokalnie, więc działa również bez internetu.

Co się dzieje między skrótem a gotowym tekstem

Zamiana mowy na tekst wygląda z zewnątrz jak jedna czynność, a składa się z czterech kroków. Warto je znać, bo każdy problem z jakością da się przypisać do jednego z nich.

• 1. Nagranie. Przytrzymujesz skrót ⌥Spacja i mówisz; krótkie stuknięcie w ten sam skrót włącza i wyłącza nagrywanie, jeśli wolisz nie trzymać klawiszy. Dźwięk z mikrofonu ląduje w pamięci programu.
• 2. Rozpoznanie. Po zwolnieniu skrótu nagranie trafia do modelu, który leży na Twoim dysku i pracuje na układzie graficznym Maca. Nic nie jest wysyłane — dlatego działa to również bez sieci.
• 3. Tekst. Wynik pojawia się jako gotowy zapis z interpunkcją i polskimi znakami, a jednocześnie ląduje w schowku systemowym.
• 4. Wklejenie. Ustawiasz kursor tam, gdzie tekst ma trafić, i wciskasz ⌘V.

Cała ścieżka mieści się w kilku sekundach dla krótkiej wypowiedzi. Nie ma logowania ani kolejki na serwerze — jedynym ograniczeniem jest dzienny limit dyktowania w wersji bezpłatnej, opisany niżej.

Dlaczego tekst idzie do schowka, a nie wpisuje się sam

To świadoma decyzja, nie brak funkcji. Program nie wpisuje niczego samodzielnie w cudze okna — nie wchodzi między Ciebie a Twoje aplikacje, nie potrzebuje uprawnień do sterowania innymi programami i nie może wstawić tekstu tam, gdzie akurat nie chciałeś. Skutek praktyczny jest taki, że widzisz każdą wypowiedź, zanim gdziekolwiek wyląduje, i sam decydujesz o momencie wklejenia. Kosztuje to jedno naciśnięcie ⌘V.

Działa to wszędzie tam, gdzie normalnie wklejasz: w poczcie, w notatkach, w edytorze tekstu, w komunikatorze, w polu formularza w przeglądarce, w narzędziu programistycznym.

Pierwsze uruchomienie: model, mikrofon, skrót

Zanim cokolwiek podyktujesz, dzieją się trzy rzeczy — wszystkie raz, przy pierwszym starcie. Program pobiera model językowy, czyli plik, który potem liczy lokalnie; to jedyny moment, w którym potrzebna jest sieć, i jedyny większy pobierany element. Następnie macOS pyta o dostęp do mikrofonu — bez tej zgody nie ma czego rozpoznawać. Na koniec ustalasz skrót klawiszowy; domyślny to ⌥Spacja, ale jeśli koliduje u Ciebie z czymś innym, zmienisz go w ustawieniach.

Od tego momentu program siedzi w pasku menu i nie wymaga żadnego logowania. Nie ma konta, nie ma synchronizacji i nie ma nic, co musiałoby się połączyć z siecią przy każdym uruchomieniu — dyktowanie działa tak samo w biurze, w pociągu i w samolocie.

Dwie ścieżki: mówisz teraz albo masz już nagranie

Pierwsza ścieżka to dyktowanie na żywo, opisane wyżej — piszesz głosem zamiast klawiaturą. Druga to przepisanie materiału, który już istnieje: pliku z dyktafonu, notatki głosowej z telefonu, nagrania spotkania czy ścieżki dźwiękowej z wideo. Wtedy wskazujesz plik, a program zwraca zapis ze znacznikami czasu i podziałem na mówców. Szczegóły tej drugiej drogi znajdziesz na stronie przepisanie nagrania na tekst.

Obie ścieżki korzystają z tego samego modelu na dysku, więc jakość rozpoznania jest porównywalna. Różni je tylko to, skąd bierze się dźwięk.

Wykrywanie języka spośród 99

Nie musisz nic ustawiać przed mówieniem: program obsługuje 99 języków i sam rozpoznaje, w którym padła wypowiedź. Język ustalany jest dla całego nagrania, a nie dla pojedynczego zdania — polskie zdania z angielskimi terminami są więc bezproblemowe, ale rozmowa, która na dłużej przechodzi na inny język, da wynik mieszany.

Jeśli pracujesz stale w dwóch lub trzech językach, zawęź listę w ustawieniach do tych, których faktycznie używasz. Krótkie i niewyraźne wypowiedzi bywają wtedy inaczej klasyfikowane, a zawężona lista skutecznie zapobiega temu, żeby jedno zdanie trafiło do zupełnie przypadkowego języka.

Co realnie wpływa na jakość zamiany mowy na tekst

Najwięcej zależy od dźwięku, a nie od ustawień programu. Kolejność wpływu jest z grubsza taka:

• Odległość od mikrofonu. Mikrofon blisko ust bije każdą optymalizację po stronie oprogramowania. Wbudowany mikrofon MacBooka wystarcza do dyktowania przy biurku, ale nie do nagrania z drugiego końca sali.
• Pogłos i tło. Puste pomieszczenie z twardymi ścianami psuje wynik bardziej niż szum ulicy.
• Sposób mówienia. Całe zdania i normalne tempo działają lepiej niż urywki i „yyy”. Nie musisz mówić jak lektor, wystarczy nie połykać końcówek.
• Słuchawki Bluetooth. Mikrofon w słuchawkach potrzebuje ułamka sekundy na przełączenie się w tryb rozmowy — przy bardzo krótkim naciśnięciu skrótu początek wypowiedzi może się nie zmieścić. Przytrzymaj chwilę dłużej.

Nazwiska, nazwy firm i skróty zawsze warto sprawdzić — to najsłabszy punkt każdego systemu rozpoznawania mowy, niezależnie od tego, czy liczy lokalnie, czy w chmurze. Jeśli często dyktujesz te same nazwy własne, możesz zdefiniować zamiany tekstu, które poprawią je automatycznie po rozpoznaniu.

Gdy przepisujesz rozmowę z inną osobą

Dyktowanie własnych myśli to Twoja sprawa. Inaczej jest, gdy nagrywasz rozmowę. Nagranie rozmowy, w której sam bierzesz udział, nie jest w Polsce przestępstwem z art. 267 Kodeksu karnego (ten dotyczy podsłuchiwania cudzej komunikacji), ale potajemne nagranie narusza dobra osobiste rozmówcy z art. 23 i 24 Kodeksu cywilnego, a przetwarzanie cudzego głosu to przetwarzanie danych osobowych. W miejscu pracy dochodzą przepisy o monitoringu (art. 22² i następne Kodeksu pracy), a stanowisko UODO wobec nagrywania dźwięku w firmie jest restrykcyjne. Uprzedź na początku, odnotuj zgodę, przy sprzeciwie nie nagrywaj. To informacja, nie porada prawna.

Wymagania, cena i wersja bezpłatna

Wymaganie sprzętowe nie jest sugestią: na Macu z procesorem Intel program nie działa. Sprawdź to w menu Apple → „Ten Mac”, zanim kupisz wersję Pro. Kwota 49,99 $ to cena sklepowa w dolarach; w polskim App Store zobaczysz obowiązującą kwotę w złotych, a zakup i ewentualny zwrot obsługuje Apple.

Zanim zapłacisz, możesz sprawdzić program bez konta i bez zakupu. W wersji bezpłatnej dyktujesz 5 minut dziennie i przepisujesz 5 nagrań audio oraz 5 wideo łącznie. Samo nagrywanie nigdy nie jest limitowane, a materiał, który już raz przeszedł transkrypcję, możesz przepuścić ponownie bez zużywania limitu — na przykład z większym modelem albo po zmianie ustawień języka.

Częste pytania

Zobacz też