Každý významný produkt pro diktování – Dragon, Otter, Google diktování, Apple diktování, každý cloudový SaaS pro přepis – posílá váš hlas přes cizí server. Zvuk je zachycen na vašem zařízení, streamován přes HTTPS do datového centra, tam přepsán a text se vrátí zpět. Někdy se zvuk ukládá. Někdy se používá k trénování modelů. Někdy je „anonymizován“, což je slovo, které ztratilo většinu svého významu.
Myslíme si, že to je špatná výchozí hodnota.
Co lidé ve skutečnosti diktují
Jakmile začnete sledovat skutečné použití, obsah diktačního textu téměř nikdy není neformální. Je to:
- Lékařské záznamy – lékař přepisující konzultaci.
- Právní návrhy – právník, který diktuje žádost nebo dopis pro klienta.
- Žurnalistika – rozhovory s jmenovanými zdroji, kteří předpokládali, že nahrávka neopustí stroj novináře.
- Terapeutické poznámky – shrnutí sezení psaná psychologem.
- Obchodní strategie – vedoucí pracovník připravující memoranda o obchodech, lidech a penězích.
- Osobní deníky – to, o čem lidé skutečně přemýšlejí, a co by nikdo jiný nikdy neměl číst.
Všechno to se ve výchozím nastavení běžně nahrává do cloudových služeb. Často v rozporu s HIPAA, GDPR, advokátním tajemstvím nebo prostou slušností – protože si uživatel neuvědomil riziko nebo neměl alternativu.
Co dělá Voice Pro jinak
- Režim bez cloudu, tečka. Neexistuje možnost přepnutí na „odeslat na server pro lepší přesnost“. Model běží na vašem CPU nebo GPU. To je jediná možnost.
- Žádná telemetrie. Aplikace neodesílá domů statistiky o používání, hlášení o pádu ani nic jiného. Jediné síťové požadavky jsou: (a) kontrola licence při spuštění, (b) kontrola aktualizací, (c) volitelné ruční stahování modelů. Všechny tři jsou zdokumentovány a lze je zakázat.
- K přepisu není potřeba účet. Můžete využít 14denní zkušební verzi bez vytváření účtu. E-mail je potřeba pouze v případě, že chcete zakoupit licenci.
- Zvuk nikdy nedosáhne disku. Paměťový buffer zvuku zůstává v RAM během přepisu a je uvolněn okamžitě, jakmile je text vygenerován. Není co uniknout, nic, co by bylo možné forenzně obnovit.
Mohou lokální modely skutečně konkurovat cloudu?
Před dvěma lety ne. Lokální model o velikosti 100 MB na CPU notebooku si nemohl ani vzpomenout na to, co dělá datové centrum Googlu s modelem o velikosti 200 GB a 40 GPU.
Dnes ano. Qwen3-ASR 3B běžící na středně výkonném CPU dosahuje míry chyb na slovo do 2 % od velkých cloudových poskytovatelů u většiny jazyků, a bije u jazyků s omezenými zdroji, kde mají poskytovatelé cloudu méně trénovacích dat. U diktování konkrétně – krátkých, záměrných promluv – je rozdíl blízký 0 %. Lokální ASR se tiše stalo dostatečně dobrým a stále se zlepšuje. Jsme jen ti, kdo se ho rozhodli dodávat.
Princip
Váš hlas je nejosobnější data, která vytváříte. Nese vaši identitu, vaše myšlenky, lidi, o kterých mluvíte, slova, která jste si vybrali, když vás nikdo neupravoval. Neměla by opustit váš počítač, pokud je výslovně a vědomě nepošlete někam jinam.
To není marketingová hláška. To je jediný důvod, proč produkt existuje.