Голосовой ввод текста нейросетью: 3 способа и проверка на 12 числах

Чем голосовой ввод отличается от расшифровки записи?

Два запроса легко перепутать. Голосовой ввод - это когда вы говорите прямо сейчас, а текст появляется в поле вместо печати: письмо, заметка, сообщение, абзац в документ. Транскрибация - это когда запись уже есть: созвон на сорок минут, голосовое на семь минут, лекция. Про записи у меня отдельный разбор, ссылка внизу. Здесь только диктовка: сел, сказал, получил текст.

Важная оговорка, из которой растёт вся статья. Любой голосовой ввод сегодня - это нейросеть распознавания речи, у Яндекса своя, у Microsoft своя, у Whisper открытая. Поэтому вопрос «какой голосовой ввод лучше» на деле звучит так: какая нейросеть меньше врёт в числах и именах. Это и проверял.

Как я проверял: одна надиктовка на три инструмента

Текст письма я написал заранее, чтобы знать эталон слово в слово, и озвучил его синтезом речи мужским голосом в обычном темпе: один и тот же файл на 82 секунды ушёл во все инструменты. Так ошибки диктора исключены, и видно только, как слышит машина. Адрес, фамилия сотрудницы и номер заявки в письме выдуманы.

В письме 14 предложений и 12 чисел, которые легко переврать: номер квартиры 47, дом 12, дата 27 октября, температура 18 и 17 градусов, три звонка, время 9:40, заявка 4218, дом 105, суммы 12 400, 8 900 и 3 500 рублей. Плюс имя Ирина Валерьевна, улицы Полевая и Садовая, слово «Телеграм» и одно живое «ну, честно говоря» посреди фразы. Вот сама надиктовка, как я её произнёс:

Этот текст можно взять как тренажёр: прочитайте его в свой микрофон и сверьте те же 12 чисел. Если у вашего инструмента они сходятся, ему можно диктовать письма.

Как надиктовать текст Алисе на компьютере?

Самый короткий путь без установки программ. Нужен браузер, аккаунт Яндекса и микрофон, хотя бы встроенный в ноутбук.

1. Шаг 1. Откройте alice.yandex.ru и войдитеБез входа кнопки записи нет. Бесплатного тарифа для диктовки хватает.
2. Шаг 2. Нажмите кнопку с микрофоном слева от поля вводаОна подписана «Распознать речь». Рядом есть вторая, «Алиса, начни слушать», это разговор с ассистентом, а не диктовка. Браузер спросит доступ к микрофону, разрешите.
3. Шаг 3. Выждите секунду и говоритеПоявится надпись «Внимательно вас слушаю» и бегущая волна. В моём прогоне первые слова «Добрый день» в текст не попали: запись стартует с задержкой.
4. Шаг 4. Нажмите чёрный квадрат «стоп»Текст появляется в поле ввода, а не отправляется. Через 3 секунды у меня стояло 965 знаков. Выделите, скопируйте и вставьте куда нужно: в письмо, в Word, в заметки.

Что Алиса написала с моих 82 секунд. Все 12 чисел верны: «47-й квартиры», «дом 12», «27 октября», «18°», «17°», «3 раза», «9:40», «заявка номер 4 218», «105», «12 400 р», «8 900», «3 500 р.». Фразу «после пяти вечера» она сама превратила в «после 17:00», и для письма это даже лучше. Дальше ошибки. «Холодные батареи» разорвано точкой: «у нас в квартире холодный. Батареи в спальне чуть тёплая». Улица Полевая со строчной буквы, Садовая с прописной. «В Телеграме» стало «в телеграмме». Запятая уехала: «по электронной почте телефон, у меня днём часто недоступен». И в конце просьбы вернуть переплату появился вопросительный знак, которого я не ставил.

Итог по Алисе: числа отдавать можно, знаки препинания и прописные буквы перечитать обязательно. На письмо в 14 предложений у меня вышло 6 правок, ни одна не про цифры.

Как надиктовать текст нейросетью без интернета?

Whisper - открытая нейросеть распознавания речи, она работает на обычном компьютере и не отправляет звук никуда. Это важно, если диктуете договор или данные клиентов. Цена - установка через командную строку: Python, пакет faster-whisper и ffmpeg. Первый запуск скачивает модель, малая весит около 500 мегабайт. Если слова «командная строка» пугают, пропустите этот раздел, два других способа без неё.

1. Шаг 1. Запишите речь в файлЛюбой диктофон, хоть на телефоне: mp3 или wav. Whisper работает с готовым файлом, а не с микрофоном в реальном времени.
2. Шаг 2. Прогоните файл через малую модельУ меня 82 секунды звука малая модель small разобрала за 42 секунды на процессоре, без видеокарты.
3. Шаг 3. Среднюю модель включайте только для сложных словМодель medium считала те же 82 секунды 293 секунды, почти пять минут. Выигрыш был в двух словах.

Что получилось. Малая модель: все 12 чисел верны и записаны цифрами: «47-й квартиры», «9.40», «4218», «12 400 рублей», «3500 рублей». Ошибки: «диспичерскую» вместо «диспетчерскую», «октябрской» без мягкого знака, «садовой» со строчной, «телеграмме», и везде «е» вместо «ё». Средняя модель исправила «диспетчерскую» и «октябрьской», но добавила от себя кавычки-ёлочки и тире в первом предложении: «Добрый день, Ирина Валерьевна», - пишет Сергей». В надиктовке ничего такого не было. То есть крупнее модель - не значит честнее: она дорисовывает оформление.

Итог по Whisper: числа верны у обеих моделей, малой хватает для писем и заметок, среднюю имеет смысл включать на фамилиях и терминах, и то с проверкой того, что она «улучшила».

Что с командами «запятая» и «новая строка»?

Отдельно проверил, понимают ли инструменты знаки голосом. Надиктовал короткий кусок, где знаки названы словами: «Добрый день запятая Ирина Валерьевна точка Пишу насчёт отопления точка новая строка Батареи холодные с понедельника запятая двадцать седьмого октября точка вопросительный знак Когда ждать слесаря вопросительный знак».

Вывод для письма: Алисе и Whisper знаки голосом не диктуйте, говорите с паузами и расставляйте знаки потом, запросом из раздела ниже. Команды голосом по-настоящему нужны только в Windows, и там их стоит выучить пять: запятая, точка, новая строка, знак вопроса, с новой строки.

Где ещё диктовать: Windows, Word, телефон?

Этих трёх способов я в прогоне не гонял, поэтому только то, что подтверждено справкой разработчика или давно известно.

Windows 10 и 11. Поставьте курсор в любое поле, нажмите клавишу Windows и H. Появится окошко с микрофоном и надпись о прослушивании, после неё можно говорить. По странице поддержки Microsoft русский язык в списке поддерживаемых, команды для знаков есть, остановка словами «стоп». Нужен интернет: распознавание идёт на серверах Microsoft.

Word. Кнопка «Диктовка» на вкладке «Главная» есть в Word из подписки Microsoft 365. В коробочных версиях её может не быть, тогда выручает тот же Win и H прямо в документе.

Телефон. На Андроиде микрофон есть на клавиатуре Google и на Яндекс Клавиатуре, на айфоне - на стандартной клавиатуре. Для коротких сообщений этого хватает, для письма на 14 предложений с цифрами удобнее надиктовать на телефоне в заметку и почистить уже на компьютере.

Про сервис speechpad.ru, который выдаёт поиск первым по запросу «голосовой ввод онлайн»: он работает только в Chrome и распознаёт через движок Google внутри браузера. В моём прогоне он текст не выдал, показал ошибку захвата звука. Если у вас не Chrome, не тратьте время.

Как превратить сырую надиктовку в письмо?

Текст после диктовки - черновик: разорванные фразы, случайные точки, «телеграмме». Чистить его руками дольше, чем диктовать. Отдайте чистку нейросети, той же Алисе, ГигаЧату или DeepSeek, с одним жёстким условием: числа не трогать. Первый запрос - чистка.

В ответ придёт чистый текст и список чисел. Сверьте список с тем, что говорили: это минута, и она ловит ровно те ошибки, которые дороже всего. Если число в списке не ваше, ищите его в тексте и правьте руками.

Второй запрос - когда вместо письма надиктован поток мыслей после разговора, и письмо ещё нужно собрать.

Проверить в ответе: квадратные скобки, их нужно заполнить, и чтобы нейросеть не добавила ссылку на закон от себя. Она любит дописать «согласно статье такой-то», и статья часто оказывается чужой.

Третий запрос - для заметок на ходу: надиктовали за день пять мыслей, вечером нужен список дел.

Проверить: не склеила ли нейросеть два дела в одно и не придумала ли срок там, где вы его не называли.

• Нажали кнопку записи, выждали секунду, потом первое слово
• Знаки голосом не диктуйте Алисе и Whisper, говорите с паузами
• Числа произносите медленно и целиком: «двенадцать тысяч четыреста», а не «двенадцать четыреста»
• Сырой текст отдайте на чистку с условием «числа не менять»
• Сверьте список чисел из ответа с тем, что говорили
• Личные данные и договоры диктуйте только в Whisper на своём компьютере
• Для проверки своего инструмента прочитайте в него текст из раздела «Как я проверял»

Если запись уже есть и её нужно превратить в текст, это другая задача: расшифровать аудио в текст нейросетью. Что ещё умеет Алиса кроме диктовки, разобрал в отдельной статье: Алиса-нейросеть в первые дни. Когда надиктовка почищена, последний проход - проверка текста на ошибки. А чтобы нейросеть написала письмо целиком с голоса, у меня есть бесплатный гайд «Диктуешь голосом - ИИ пишет письмо».

Голосовой ввод текста на компьютере бесплатно - с чего начать?

С Алисы в браузере: alice.yandex.ru, кнопка «Распознать речь» слева от поля ввода, говорите, нажимаете стоп. В моём прогоне текст появился через 3 секунды, все 12 чисел дошли верно. Нужен аккаунт Яндекса и микрофон.

Нейросеть переводит голос в текст - насколько точно?

На надиктовке в 82 секунды Алиса и Whisper верно записали все 12 чисел. Ошибки были в словах: пропущенное «Добрый день», «телеграмме», строчная буква в названии улицы, точки не по смыслу. Перечитать сырой текст нужно всегда.

Можно ли диктовать запятые и точки голосом?

В голосовом вводе Windows по справке Microsoft команды «запятая», «точка», «новая строка», «вопросительный знак» работают. Алиса слова «запятая» и «точка» убрала и расставила знаки по-своему, остальные команды записала словами. Whisper записывает словами все.

Как надиктовать текст без интернета?

Нейросетью Whisper на своём компьютере. Малая модель разобрала 82 секунды за 42 секунды, средняя за 293, числа верны у обеих. Ставится через командную строку, это способ для тех, кто готов один раз разобраться.

Чем голосовой ввод отличается от транскрибации?

Голосовой ввод - говорите сейчас, текст появляется вместо печати. Транскрибация - запись уже есть, её нужно превратить в текст. Инструменты похожи, задачи разные, про записи отдельный разбор по ссылке выше.