Ditado por voz no Mac

Mantenha a tecla § premida, fale, e depois solte. O texto é colado na posição atual do cursor, através de uma combinação Cmd+V sintetizada na aplicação que tem o foco. Funciona em qualquer sítio onde um campo de texto aceite colar: Mail, Notas, Slack, Word, os campos do navegador, o Terminal. Não há extensões para instalar, porque a integração acontece ao nível do sistema operativo e não dentro de cada aplicação.

Os argumentos a favor da transcrição no dispositivo são três coisas ao mesmo tempo: privacidade, velocidade e durabilidade. Quando o modelo é executado no seu Mac, o áudio é capturado em memória, transcrito, colado no cursor e descartado. Nada é escrito no disco e nada é carregado. Não há um repositório de dados para intimar, nenhuma superfície de fuga e nenhuma dúvida sobre o que um fornecedor regista.

A ressalva honesta é que «local» é um espetro, não uma caixa a assinalar. Várias aplicações populares transcrevem localmente mas fazem passar a transcrição por um grande modelo de linguagem na nuvem para a limpar, o que devolve as suas palavras à rede. Por isso a pergunta raramente é «é local?», mas «que parte é local?». No Parakeety, a resposta é: tudo o que diz respeito ao seu áudio.

A velocidade é o que mais se sente. Um serviço na nuvem acrescenta uma ida e volta pela rede a cada frase; um modelo local no Apple Neural Engine não. E a durabilidade conta numa ferramenta em que se apoia todos os dias: um serviço por subscrição pode mudar os preços, o modelo ou as condições debaixo dos seus pés, ou encerrar. Uma aplicação que corre na sua própria máquina continua a funcionar.

O áudio é capturado num buffer em memória, processado no Apple Neural Engine, o texto é colado e o buffer é descartado de imediato. Não há qualquer transmissão para a OpenAI, a Anthropic ou outro servidor, simplesmente porque não existe transmissão. As únicas ligações de saída são a transferência única do modelo no primeiro arranque e verificações periódicas da licença, que enviam apenas a chave de licença, um hash de um identificador de hardware e o nome da máquina. Sem áudio, sem transcrições, sem análise, sem telemetria.

A precisão é uma propriedade do modelo de voz, não do lugar onde é executado. O modelo que mudou o que é possível num Mac é o NVIDIA Parakeet TDT 0.6B v3: cerca de 600 milhões de parâmetros, uma arquitetura de transdutor e, neste momento, o primeiro lugar da Hugging Face Open ASR Leaderboard.

Em resumo, porque é que isto importa: o Parakeet TDT v3 apresenta uma taxa de erro por palavra de 6,32% face aos 7,44% do Whisper Large V3, é executado cerca de uma ordem de grandeza mais depressa no mesmo hardware e usa um design de transdutor que produz silêncio durante os silêncios em vez de alucinar texto, como podem fazer os sistemas baseados em Whisper. O compromisso é a cobertura de idiomas: 25 línguas europeias face à centena do Whisper. Para ditar nesses idiomas em Apple Silicon, é o modelo a preferir.

O modelo subjacente (NVIDIA Parakeet) deteta automaticamente qual dos 25 idiomas europeus está a falar, sem qualquer seleção manual. Pode passar do português para o inglês a meio de uma frase sem tocar em nenhuma definição. Prático se trabalha em dois idiomas ou se intercala termos técnicos e nomes próprios vindos de outra língua. Os idiomas de fora da Europa, como o mandarim, o japonês ou o árabe, não são cobertos pelo modelo; isso também faz parte do retrato honesto.

No ditado clínico e jurídico, a questão da privacidade torna-se uma questão de conformidade, e há duas respostas válidas. Uma é o ditado na nuvem ao abrigo de um contrato de subcontratação do tratamento de dados; a outra é o ditado no dispositivo, em que o áudio nunca chega a sair do Mac. Como no Parakeety nada é carregado, não existe qualquer repositório de dados em poder de um fornecedor que seja preciso proteger ou divulgar.

É uma afirmação sobre a arquitetura, não uma promessa de conformidade. Saber se a arquitetura no dispositivo basta para o seu consultório ou escritório depende das suas próprias obrigações regulamentares, por exemplo o RGPD na Europa ou a HIPAA nos Estados Unidos, e cabe-lhe a si verificá-las. O Parakeety reduz a superfície de exposição ao manter o áudio local; não assina contratos em seu nome.

Eu faço o Parakeety, uma aplicação para Mac de uma só pessoa. Construí-a porque as opções de ditado existentes pediam todas demasiado: uma subscrição, uma conta, ou a minha voz no servidor de outra pessoa. O Parakeety é a versão que eu queria para mim: uma compra única e tudo fica no dispositivo. Sendo uma atividade de uma só pessoa, sou também o responsável pelo tratamento dos dados, e como nunca é transmitido áudio, essa lista é curta.

O Parakeety é uma aplicação da barra de menus do Mac. Mantenha a tecla § premida, fale, solte, e as suas palavras são coladas no cursor, na aplicação em que estava a escrever. O áudio nunca sai da máquina. Há um teste gratuito de 7 dias, sem cartão. Depois, são $25 um pagamento único.

Experimente o Parakeety gratuitamente →