Головна › Як перетворити голос на текст

Інструкція · голос у текст на Mac

Як перетворити голос на текст на Mac — крок за кроком

Як перетворити голос на текст на Mac — нижче весь шлях сигналу від натиснутої клавіші до готового тексту: що робить мікрофон, де рахує модель, як визначається мова і чому останній крок — ⌘V — робите ви, а не застосунок. Ідеться про живий голос; якщо у вас уже є готовий файл, вам потрібна сторінка про те, як перевести аудіо в текст.

Що відбувається між клавішею і текстом

Ланцюжок короткий і в ньому немає жодного сервера. Ви утримуєте гарячу клавішу — мікрофон пише звук у пам’ять. Ви відпускаєте клавішу — запис іде в модель розпізнавання мовлення, яка лежить файлом на вашому диску й рахує на графічному чипі Mac. Модель визначає мову, повертає текст, застосунок кладе його в буфер обміну й показує вам. Далі ви ставите курсор туди, куди треба, і натискаєте ⌘V.

Жоден із цих кроків не потребує мережі. Саме тому голос перетворюється на текст однаково в літаку, у поїзді, у приміщенні без покриття або тоді, коли інтернету просто немає — модель уже у вас, питати нема кого.

Як перетворити голос на текст: покроково

• Один раз: завантажити модель. Після встановлення застосунок пропонує завантажити модель розпізнавання — це єдиний момент, коли потрібен інтернет. Далі вона лежить на диску й працює автономно.
• Один раз: дозволити мікрофон. macOS запитає доступ до мікрофона під час першого запису. Без цього дозволу система не передасть звук жодній програмі.
• Утримати ⌥Space. Поки клавіша натиснута, іде запис; на екрані видно індикатор і рівень звуку, тож ви бачите, що мікрофон справді щось чує.
• Говорити звичайно. Розділові знаки диктувати не треба — модель розставляє їх сама.
• Відпустити клавішу. Розпізнавання починається одразу; коротка фраза перетворюється на текст за секунди.
• Натиснути ⌘V. Текст уже в буфері обміну — вставте його в лист, нотатку, чат, редактор коду, форму в браузері.

Гаряча клавіша: утримати чи перемкнути

Два способи однакові за результатом і різні за зручністю. Утримання підходить для коротких реплік: натиснули, сказали одне речення, відпустили. Перемикання (коротке натискання вмикає запис, друге вимикає) зручніше для довгої думки, коли тримати клавішу пів хвилини незручно. Комбінацію можна змінити, якщо ⌥Space у вас уже зайнято іншою програмою.

Одна практична деталь: бездротовій гарнітурі потрібно приблизно півтори секунди, щоб перемкнутися в режим мікрофона. Якщо ви натиснули й одразу заговорили, перші слова можуть не потрапити в запис. З Bluetooth-гарнітурою надійніше або витримати коротку паузу після натискання, або користуватися режимом перемикання.

Автовизначення мови — і чому варто звузити перелік

Застосунок розпізнає 99 мов і визначає мову сам, тож перед кожним диктуванням нічого перемикати не треба. Але визначення відбувається на запис, і в цьому вся тонкість: коротка або нерозбірлива фраза дає моделі мало матеріалу для рішення, і вона може «поїхати» в мову, якою ви не говорили.

Лікується це одним налаштуванням: у списку мов лишіть ті дві-три, якими ви реально працюєте — скажімо, українську й англійську. Тоді навіть на двох словах вибір робиться лише між ними, а не між дев’яносто дев’ятьма. Окремі англійські терміни в українському реченні проблемою не є; проблемою є довгі уривки іншою мовою всередині одного запису. Докладніше — на сторінці про розпізнавання української мови.

Модель: одне завантаження — і далі без інтернету

Модель розпізнавання — це файл на кілька сотень мегабайтів або більше, залежно від обраного розміру. Більша модель точніша, але потребує більше пам’яті й часу; менша відповідає швидше. Її можна замінити пізніше й перезапустити розпізнавання на тому самому записі.

Обчислення виконуються на графічному чипі Apple Silicon, який працює зі спільною з процесором пам’яттю. Саме тому Mac з чипом M1 або новішим обов’язковий: на Intel-Mac застосунок не запуститься взагалі. Потрібна також macOS 13 (Ventura) або новіша.

Чому текст іде в буфер обміну, а не друкується сам

Це свідоме рішення, а не спрощення. Застосунок не імітує натискання клавіш і не втручається у вікна інших програм — він кладе розпізнаний текст у буфер обміну й зупиняється. Вставляєте ви, натиснувши ⌘V там, де стоїть курсор.

Практична вигода в тому, що ви бачите кожну фразу до того, як вона кудись потрапить: якщо модель почула не те, ви просто не вставляєте текст. Крім того, буфер обміну працює однаково скрізь — у пошті, нотатках, месенджері, текстовому редакторі, полі форми в браузері, — тож немає програм, «з якими воно не дружить».

Що впливає на якість результату

• Мікрофон і відстань. Гарнітура або мікрофон біля рота дають помітно кращий текст, ніж вбудований мікрофон ноутбука через кімнату.
• Темп і паузи. Звичайне мовлення повними реченнями розпізнається краще за квапливе бурмотіння з обірваними фразами.
• Фоновий шум. Кав’ярня, вулиця, гучний кулер — усе це відбирає точність.
• Власні назви. Прізвища, назви компаній і абревіатури звучатимуть упізнавано, але писатимуться часто неправильно. Це доведеться правити руками.
• Довжина фрази. Одне-два слова дають моделі надто мало контексту — і для тексту, і для визначення мови.

Реалістична рамка така: продиктований текст — чернетка. Він знімає більшість механічної роботи, але його треба перечитати. Жодних обіцянок на кшталт «утричі швидше» ми не даємо: виграш залежить від того, як швидко ви друкуєте і скільки правите.

Що з цим текстом можна робити далі

Кожне диктування зберігається в локальній історії, тож фразу, яку ви вставили годину тому, не треба надиктовувати заново — її можна знайти й скопіювати ще раз. Там же можна перезапустити розпізнавання того самого запису поточними налаштуваннями — наприклад, після того як ви змінили в налаштуваннях модель або звузили перелік мов.

Якщо ж вам потрібен не набір тексту, а розшифровка розмови, то це вже інший сценарій: застосунок пише системний звук Mac разом із мікрофоном, поділяє запис на мовців і складає транскрипт із мітками часу. Тут доречно нагадати: щойно в записі звучать інші люди, попередьте їх і отримайте згоду. Стаття 163 Кримінального кодексу карає порушення таємниці листування й телефонних розмов, тобто втручання в чужі комунікації, стаття 182 — незаконне збирання, використання й поширення конфіденційної інформації про особу, а Цивільний кодекс вимагає згоди на використання телефонних розмов (ст. 306) і на відеозйомку (ст. 307). На роботі це узгоджують із керівництвом і відповідальною за персональні дані особою. Це інформація, а не юридична консультація, і жодних гарантій щодо доказової сили запису ми не даємо.

Вимоги, ціна й безкоштовна версія

Сума в доларах — це ціна магазину; в App Store вона показується у валюті вашого облікового запису. Спробувати можна без покупки й без реєстрації: 5 хвилин диктування на добу і 5 аудіо- та 5 відеотранскрипцій усього (це загальний ліміт, а не денний). Сам запис не обмежується ніколи, а перезапуск розпізнавання на вже розшифрованому файлі квоту не витрачає. Купівля проходить через Mac App Store — там само діють і правила повернення коштів Apple.

Часті запитання

Читайте також