Bawat pangunahing produkto para sa pagdidikta — Dragon, Otter, serbisyo sa pagdidikta ng Google, serbisyo sa pagdidikta ng Apple, bawat SaaS para sa transkripsyon sa ulap — ay nagpapadala ng iyong boses sa server ng ibang tao. Ang audio ay nai-record sa iyong aparato, naipapadala sa pamamagitan ng HTTPS patungo sa isang data center, doon isinasalin, at ang teksto ay bumabalik. Minsan, ang audio ay iniimbak. Minsan, ginagamit ito upang sanayin ang mga modelo. Minsan naman, ito ay “ginagawang anonymous”, isang terminong halos wala nang kahulugan.
Sa aming palagay, iyan ay maling default.
Ano talaga ang idinidikta ng mga tao
Kapag nagsimula ka nang panoorin ang tunay na paggamit, halos hindi kailanman casual ang nilalaman ng dictation. Ito ay:
- Mga tala medikal — ang doktor na nagtatala ng konsultasyon.
- Mga legal na draft — isang abogadong nagdidikta ng motion o liham sa kliyente.
- Pamamahayag — mga panayam sa mga pinangalanang source na inakala na ang recording ay hindi makakalabas sa makina ng mamamahayag.
- Mga tala sa therapy — mga buod ng sesyon na isinusulat ng isang sikologo.
- Estratehiyang pangnegosyo — isang ehekutibo na nagsusulat ng mga memo tungkol sa mga transaksyon, tao, at pera.
- Mga personal na journal — ang mga bagay na tunay na iniisip ng mga tao, na hindi dapat basahin ng sinuman.
Lahat ng iyon ay karaniwang naa-upload sa mga serbisyo sa cloud nang awtomatiko. Kadalasan, ito ay lumalabag sa HIPAA, GDPR, prinsipyo ng pagiging pribado sa pagitan ng abogado at kliyente, o kahit sa pangkalahatang kagandahang-asal — dahil hindi ito napansin ng user, o wala siyang ibang pagpipilian.
Ano ang naiiba sa ginagawa ng Voice Pro
- Walang cloud mode, talagang wala. Wala namang opsyon para sa “ipadala sa server para sa mas tumpak na resulta”. Ang modelo ay tumatakbo sa iyong CPU o GPU. Iyan lang ang opsyon.
- Walang telemetry. Hindi nagpapadala ang app ng mga istatistika sa paggamit, ulat ng mga pag-crash, o anumang iba pang impormasyon. Ang tanging mga tawag sa network ay: (a) pag-verify ng lisensya kapag nagsisimula ang app, (b) pag-verify para sa mga update, (c) opsyonal na manu-manong pag-download ng mga modelo. Ang lahat ng ito ay nakatala at maaaring huwag paganahin.
- Hindi kailangan ng account para sa pag-transcribe. Maaari mong gamitin ang 14-araw na trial nang hindi kailangang lumikha ng account. Kailangan lamang ng email kung gusto mong bumili ng lisensya.
- Hindi kailanman naipoproseso ang audio sa disk. Ang audio buffer ay nasa RAM habang isinasagawa ang transkripsyon, at ito ay napapalaya sa sandaling makabuo na ng teksto. Walang anumang maaaring tumagas, walang anumang maaaring maibalik sa pamamagitan ng forensic analysis.
Maaari ba talagang makipagkumpitensya ang mga lokal na modelo sa mga nasa cloud?
Dalawang taon na ang nakalipas, hindi. Ang lokal na 100 MB na modelo sa CPU ng laptop ay hindi makakaya kumpara sa ginagawa ng data center ng Google na may 200 GB na modelo at 40 GPU.
Ngayon, oo. Ang Qwen3-ASR 3B na tumatakbo sa isang CPU na nasa katamtamang antas ay nakakamit ng rate ng error sa pagbasa ng mga salita na nasa 2% lamang kumpara sa mga malalaking tagapagbigay serbisyo sa ulap para sa karamihan ng wika, at mas magaling sa mga low-resource languages kung saan mas kaunti ang training data ng mga cloud provider. Para sa diksyon partikular — maikli, sinasadyang mga utternce — ang gap ay humihigit 0%. Ang lokal na ASR ay tahimik na naging sapat na, at patuloy itong nagiging mas maganda. Kami lang ang pumipili na i-ship ito.
Ang prinsipyo
Ang iyong boses ay ang pinaka-personal na datos na iyong nililikha. Dala nito ang iyong pagkakakilanlan, ang iyong mga iniisip, ang mga taong iyong tinutukoy, at ang mga salitang iyong pinili nang walang taong nag-e-edit. Hindi ito dapat lumabas sa iyong makina maliban kung ikaw mismo ang sadyang magpapadala nito sa ibang lugar.
Hindi iyan isang marketing line. Iyan ang tunay na dahilan kung bakit umiiral ang produkto.