VoiceVoice: голосовой ввод текста на Mac, который работает без облака

Голосовой ввод на Mac, который не уходит в облако

VoiceVoice: моё приложение для диктовки на macOS. Зажимаешь клавишу, говоришь, отпускаешь, и текст появляется в поле, где стоит курсор: в мессенджере, почте, редакторе кода, терминале. Распознавание идёт на самом Mac через Apple Neural Engine, звук и текст никуда не отправляются, телеметрии нет.

Я сделал его для себя, потому что системная диктовка плохо справляется с русским и терминами, а облачные сервисы отправляют голос на чужие серверы.

Движки распознавания

• GigaAM v3 от Сбера. Лучшее качество на русском: сам расставляет знаки препинания и пишет числа цифрами. Есть точный режим, который перебирает несколько вариантов фразы, и подсказка терминов из словаря прямо во время распознавания.
• Parakeet v3 от NVIDIA. Быстрый, 25 европейских языков.

Модель скачивается при первом выборе движка, фраза распознаётся за доли секунды. Длинная диктовка режется на куски по паузам и распознаётся прямо во время записи, поэтому пятиминутная запись готова почти сразу после остановки, а стыки кусков перепроверяются, чтобы не было лишних точек посреди предложения.

Горячие клавиши

• Удержание Fn или правого Option: говоришь, пока держишь.
• Двойное нажатие: свободная запись без удержания, следующее нажатие останавливает.
• Быстрая правка: выделить слово и нажать правый Command, ввести правильный вариант, и пара сразу попадает в словарь.

Вставка текста в любое приложение

Текст вставляется в три уровня: сначала через буфер обмена и Command+V, затем через AppleScript, в крайнем случае прямой записью в поле через Accessibility. Исходное содержимое буфера возвращается после вставки, а временная запись помечается так, чтобы не засорять историю менеджеров буфера. Для Electron-приложений вроде Slack и VS Code, Safari и Chrome есть отдельные исправления. Если поля ввода нет, текст остаётся в буфере с подсказкой.

Словарь, который учится на правках

После вставки приложение смотрит, как пользователь правит вставленный фрагмент, и запоминает пары «как распознано → как правильно». Правило начинает работать с первой правки. Если пользователь вернул исходный вариант, правило получает штраф. Похожие написания ловятся нечётким сравнением, но обычные русские слова не трогаются. Раз в день или неделю словарь проверяется на вредные правила.

Числа цифрами

«Две тысячи пятьсот тридцать два» превращается в 2532, «три с половиной» в 3,5, «с двадцать четвёртого по сороковой» в «с 24-го по 40-й». Удобно для таблиц, форм и сумм.

Меньше нейросетей, больше точности

В ранних версиях поверх распознавания работала языковая модель для исправления текста. Я проверил её на 198 реальных диктовках: она не исправила ни одной ослышки и внесла несколько вредных правок. Модель убрал, как и Whisper, который медленнее и хуже на русском. Приложение уменьшилось с 235 до 14 МБ, установщик весит около 4,5 МБ.

Как устроено

Swift 6, SwiftUI и AppKit, приложение живёт в строке меню. Распознавание на Core ML и FluidAudio, история и словарь в SQLite. Требуется macOS 14 и Apple Silicon. Код открыт на GitHub под лицензией MIT.

Скриншоты

Частые вопросы