Dyktowanie na Macu

Przytrzymaj klawisz §, mów, a potem go puść. Tekst zostaje wklejony w bieżącym miejscu kursora, za pomocą syntetyzowanego skrótu Cmd+V w aplikacji, która ma fokus. Działa wszędzie tam, gdzie pole tekstowe pozwala na wklejanie: Mail, Notatki, Slack, Word, pola w przeglądarce, Terminal. Nie ma żadnych rozszerzeń do instalowania, bo integracja odbywa się na poziomie systemu operacyjnego, a nie wewnątrz pojedynczej aplikacji.

Argumenty za transkrypcją na urządzeniu to trzy rzeczy naraz: prywatność, szybkość i trwałość. Gdy model działa na Twoim Macu, dźwięk jest zapisywany w pamięci, transkrybowany, wklejany w miejscu kursora i odrzucany. Nic nie jest zapisywane na dysku i nic nie jest wysyłane. Nie ma bazy danych, którą można zająć na drodze sądowej, nie ma powierzchni wycieku i nie ma pytania o to, co rejestruje dostawca.

Uczciwe zastrzeżenie jest takie, że „lokalnie“ to spektrum, a nie pole do zaznaczenia. Kilka popularnych aplikacji transkrybuje lokalnie, ale przepuszcza transkrypcję przez duży model językowy w chmurze, żeby ją oczyścić, co ponownie umieszcza Twoje słowa w sieci. Dlatego pytanie rzadko brzmi „czy to lokalne?“, a raczej „która część jest lokalna?“. W Parakeety odpowiedź brzmi: wszystko, co dotyczy Twojego dźwięku.

Szybkość to to, co czuć najbardziej. Usługa w chmurze dodaje do każdej wypowiedzi podróż w obie strony przez sieć; model lokalny na Apple Neural Engine nie. A trwałość ma znaczenie przy narzędziu, na którym opierasz się codziennie: usługa abonamentowa może zmienić ceny, model albo warunki pod Twoimi stopami, albo zostać zamknięta. Aplikacja działająca na Twojej własnej maszynie działa dalej.

Dźwięk jest zapisywany w buforze w pamięci, przetwarzany na Apple Neural Engine, tekst zostaje wklejony, a bufor jest natychmiast usuwany. Nie ma żadnej transmisji do OpenAI, Anthropic ani innego serwera, po prostu dlatego, że transmisja nie istnieje. Jedyne połączenia wychodzące to jednorazowe pobranie modelu przy pierwszym uruchomieniu oraz okresowe sprawdzanie licencji, które przesyła wyłącznie klucz licencyjny, hash identyfikatora sprzętu i nazwę komputera. Bez dźwięku, bez transkrypcji, bez analityki, bez telemetrii.

Dokładność jest właściwością modelu mowy, a nie miejsca, w którym działa. Modelem, który zmienił to, co możliwe na Macu, jest NVIDIA Parakeet TDT 0.6B v3: około 600 milionów parametrów, architektura transducer i obecnie pierwsze miejsce w Hugging Face Open ASR Leaderboard.

Krótko, dlaczego to ważne: Parakeet TDT v3 osiąga współczynnik błędu słów na poziomie 6,32% wobec 7,44% dla Whisper Large V3, działa na tym samym sprzęcie mniej więcej o rząd wielkości szybciej i korzysta z konstrukcji transducer, która w czasie ciszy generuje ciszę, zamiast halucynować tekst, jak potrafią systemy oparte na Whisperze. Kompromisem jest zasięg językowy: 25 języków europejskich wobec około stu w Whisperze. Do dyktowania w tych językach na Apple Silicon to model pierwszego wyboru.

Model bazowy (NVIDIA Parakeet) automatycznie rozpoznaje, którym z 25 języków europejskich mówisz, bez żadnego ręcznego wyboru. Możesz przejść z polskiego na angielski w środku zdania, nie dotykając żadnego ustawienia. Wygodne, jeśli pracujesz w dwóch językach albo wplatasz terminy techniczne i nazwy własne z innego języka. Języki spoza Europy, takie jak mandaryński, japoński czy arabski, nie są objęte modelem; to też należy do uczciwego obrazu.

Przy dyktowaniu klinicznym i prawniczym kwestia prywatności staje się kwestią zgodności z przepisami, a są dwie prawidłowe odpowiedzi. Jedna to dyktowanie w chmurze na podstawie umowy powierzenia przetwarzania danych; druga to dyktowanie na urządzeniu, przy którym dźwięk w ogóle nie opuszcza Maca. Ponieważ w Parakeety nic nie jest wysyłane, nie powstaje żaden zbiór danych u dostawcy, który trzeba by zabezpieczać albo ujawniać.

To stwierdzenie o architekturze, a nie obietnica zgodności. To, czy architektura na urządzeniu wystarczy dla Twojej praktyki, zależy od Twoich własnych obowiązków prawnych, na przykład RODO w Europie albo HIPAA w Stanach Zjednoczonych, i to Ty musisz je zweryfikować. Parakeety zmniejsza powierzchnię narażenia, trzymając dźwięk lokalnie; nie podpisuje umów w Twoim imieniu.

Parakeety to moja jednoosobowa aplikacja na Maca. Powstała, bo istniejące opcje dyktowania wymagały wszystkie zbyt wiele: subskrypcji, konta albo mojego głosu na cudzym serwerze. To wersja, o jaką mi chodziło: kup raz, a wszystko zostaje na urządzeniu. Przy jednoosobowej działalności jestem też administratorem tych danych, a ponieważ dźwięk nigdy nie jest przesyłany, ta lista jest krótka.

Parakeety to aplikacja w pasku menu Maca. Przytrzymaj klawisz §, mów, puść, a Twoje słowa zostaną wklejone w miejscu kursora, w aplikacji, w której właśnie piszesz. Dźwięk nigdy nie opuszcza komputera. Dostępny jest bezpłatny okres próbny na 7 dni, bez karty. Później jest to $25 jednorazowo.

Wypróbuj Parakeety za darmo →