Кожен великий продукт для диктування — Dragon, Otter, диктування Google, диктування Apple, кожен хмарний SaaS для транскрипції — надсилає ваш голос через чужий сервер. Аудіо захоплюється на вашому пристрої, передається через HTTPS у центр обробки даних, транскрибується там, і текст повертається. Іноді аудіо зберігається. Іноді його використовують для навчання моделей. Іноді його «анонімізують» — слово, яке втратило більшу частину свого значення.
Ми вважаємо, що це неправильний варіант за замовчуванням.
Що люди насправді диктують
Як тільки ви почнете спостерігати за реальним використанням, зміст диктування майже ніколи не є повсякденним. Це:
- Медичні нотатки — лікар транскрибує консультацію.
- Юридичні чернетки — адвокат диктує позовну заяву чи лист клієнта.
- Журналістика — інтерв’ю з вказаними джерелами, які вважали, що запис не покине пристрою журналіста.
- Нотатки про терапію — це узагальнення сеансів, які записує психолог.
- Бізнес-стратегія — керівник, який складає службові записки про угоди, людей, гроші.
- Особисті журнали — те, про що люди насправді думають і що ніхто інший не повинен читати.
Усе це за замовчуванням регулярно завантажується у хмарні сервіси. Часто це відбувається з порушенням положень HIPAA, GDPR, адвокатської таємниці чи просто етичних норм — тому що користувач про це не знав або не мав іншого вибору.
Чим Voice Pro відрізняється
- Режим без хмари, і нічого більше. Немає опції «надіслати на сервер для кращої точності». Модель працює на вашому CPU або GPU. Це єдина можливість.
- Без телеметрії. Додаток не надсилає на сервер статистику використання, звіти про збої чи будь-які інші дані. Єдині мережеві запити — це (а) перевірка ліцензії під час запуску, (б) перевірка наявності оновлень, (в) необов’язкове ручне завантаження моделей. Усі три процеси задокументовані та можуть бути вимкнені.
- Для транскрибування не потрібен обліковий запис. Ви можете скористатися 14-денною пробною версією без створення облікового запису. Електронна пошта потрібна лише у разі, якщо ви хочете придбати ліцензію.
- Аудіо ніколи не потрапляє на диск. Аудіобуфер зберігається в оперативній пам’яті під час транскрипції та звільняється миттєво після генерації тексту. Нічого не витече, нічого не можна буде відновити криміналістичними методами.
Чи можуть локальні моделі справді зрівнятися з хмарними?
Два роки тому — ні. Локальна модель на 100 МБ на процесорі ноутбука не могла зрівнятися з тим, що робив дата-центр Google за допомогою моделі на 200 ГБ та 40 GPU.
Сьогодні — так. Qwen3-ASR 3B, що працює на процесорі середнього класу, досягає рівня помилок у розпізнаванні слів на рівні 2% порівняно з великими провайдерами хмарних послуг для більшості мов, і перевершує для мов із обмеженими ресурсами, де у постачальників хмарних послуг менше даних для навчання. Щодо диктування — коротких, цілеспрямованих висловлювань — різниця становить майже 0%. Локальні системи розпізнавання мови вже достатньо ефективні та продовжують вдосконалюватися. Ми просто ті, хто вирішує їх випускати.
Принцип
Ваш голос — це найперсональніші дані, які ви генеруєте. Він несе вашу ідентичність, ваші думки, людей, про яких ви говорите, слова, які ви обрали, коли ніхто їх не редагував. Він не повинен залишати ваш пристрій, якщо ви явно та усвідомлено не надішлете його кудись.
Це не маркетинговий слоган. Це і є основна причина існування продукту.