Защо приложенията за диктовка изяждат първата ви дума

Натискате клавиша. Започвате да говорите. Гледате как транскрипцията започва от втората ви дума — понякога от третата. „Рефакторирай логиката за повторни опити“ излиза като „логиката за повторни опити“. „Още не мърджвай това“ излиза като „мърджвай това“, което е наистина опасно изречение да бъде напечатано от ваше име. Този провал е лесен за възпроизвеждане при потоци с микрофон със студен старт, от вградените в системата до специализираните инструменти за диктовка.

Хората го описват по различни начини — „отрязва началото“, „трябва да направя пауза, преди да говоря“, „първата дума винаги липсва“ — но това е едно явление и щом веднъж ви ухапе, си изработвате заобиколката, която си изработват всички: натискаш клавиша, чакаш миг, после говориш. Което значи, че сега изпълнявате малък суеверен ритуал десетки пъти на ден, за да компенсирате инструмента си, а инструментът е дресирал вас, вместо обратното.

Правих този ритуал с месеци в други инструменти. Докато строях Keebye, убиването му беше сред първите неща в списъка, защото решението се оказа изискващо неудобен компромис, който повечето приложения няма да направят — и искам да говоря за компромиса също толкова открито, колкото и за решението.

Защо първата дума бива отрязана?

Това е проблем на ниво категория, а не нечия небрежност, и физиката му е проста: микрофоните не са мигновени.

Когато приложение за диктовка стартира запис по наивния начин — натискаш клавиша, после се отваря микрофонът — трябва да се изпълни цяла верига, преди да бъде уловена първата извадка от речта ви. Аудио сесията на операционната система трябва да се инициализира. Входното устройство трябва да се събуди, което при някои хардуерни компоненти означава буквално време за загряване. Форматът на потока се договаря, буферите се заделят, а първите пристигнали буфери често са боклук, който се изхвърля. В зависимост от машината и устройството тази верига отнема някъде между „един миг“ и няколко секунди.

Междувременно вие — човек с вече оформена мисъл — започвате да говорите в мига, в който пръстът ви удари клавиша. Всъщност обикновено на косъм преди този миг: намерението да натиснете и намерението да говорите тръгват от мозъка ви заедно и началото на речта рутинно изпреварва готовността на приложението. Всичко, което сте казали, преди потокът да оживее, за приложението никога не е съществувало. Моделът не може да транскрибира звук, който никога не е бил уловен. Оттам: „логиката за повторни опити“.

Защо приложенията пускат микрофона при поискване, вместо да го държат готов? Най-вече от добро възпитание. Държането на микрофон отворен струва малко ток и — далеч по-важно — пали индикатора за микрофон на операционната система, който потребителите разбираемо четат като „това приложение ме слуша“. Отварянето на микрофона само при поискване държи индикатора честен, а приложението — с добри обноски. Цената е риск от студен старт в началото на записа.

Решението: микрофон, който вече слуша, когато натиснете клавиша

Keebye атакува това от двата края и двата механизма си струва да се разделят, защото решават две различни половини на проблема.

Топлият микрофон. След първия ви запис в дадена сесия Keebye държи входния аудио поток отворен. Това значи, че веригата на студения старт — инициализация на сесията, събуждане на устройството, договаряне на потока — вече се е случила преди по-късна диктовка, докато този поток остава здрав. Потокът е жив, преди пръстът ви да мръдне.

Преднината. Топлият поток поправя закъснението на приложението, но не и вашето — помнете, началото на речта ви може да изпревари натискането. Затова Keebye държи плъзгащ се буфер от 500 милисекунди най-скорошен звук (8000 извадки при 16 kHz, в пръстен). Когато натиснете клавиша, тази половин секунда звук отпреди се излива в началото на изказването. Звук, който е започнал вътре в този буфер, е достъпен за транскрибиращия, вместо да бъде изхвърлен преди натискането.

Комбинираният резултат: при повторни диктовки топлият поток и 500 ms преднина покриват обичайния случай, в който речта започва точно преди натискането или заедно с него. Ритуалната пауза става ненужна вътре в тази граница. Тя не може да върне дума, изговорена повече от половин секунда преди началото на записа, а първата диктовка в една сесия пак плаща нормалното забавяне при старта на потока.

Компромисът, казан направо

Ето частта, която отказвам да зарина, защото тя е честната цена на замисъла: тъй като аудио потокът остава отворен между диктовките, macOS показва микрофона като активен дори когато не диктувате. Оранжевата точка свети. Ако погледнете в Control Center, Keebye е в списъка като ползващ микрофона точно тогава, докато не правите нищо.

Какво се случва наистина през това време: звукът тече в пръстеновия буфер от 500 ms и непрекъснато се изхвърля. Нищо не се транскрибира. Нищо не се съхранява. Нищо не напуска буфера, докато не натиснете клавиша — и всичко по-старо от половин секунда е изчезнало завинаги, презаписано от пръстена. Но няма да се преструвам, че индикаторът лъже, защото не лъже: потокът е отворен и „способен да слуша винаги“ е честно описание на архитектурата, макар нищо да не слуша в никакъв смислен смисъл, докато не поискате.

Направих този компромис съзнателно, с отворени очи, и ето разсъждението. Отварянето на микрофона при поискване внася риск от студен старт всеки път: отрязани думи, грешни изречения, дресираната пауза. Замисълът с топлия поток има цена, която пада върху комфорта ви с една оранжева точка, подкрепена от архитектура, за която можете да разсъждавате: само текстова локална история (която описахме в Диктовката ви никога не бива просто да изчезва), транскрибиране на устройството, никога съхраняван звук, половин секунда пръстенова памет. Аз приемам точката. Ако вие не я приемате — това е основателна позиция и може наистина да направи друг инструмент правилният избор за вас; страниците ни Keebye срещу Superwhisper и Keebye срещу Wispr Flow са написани, за да помогнат точно за тази преценка.

Две граници, за да не се изненадва никой

Първата диктовка в сесията пак има нормално забавяне при старта на потока. Топлият микрофон е топъл, защото вече е имало запис; първият пак плаща цената за настройката. По-късните диктовки печелят, докато потокът остава отворен.

Преднината е 500 милисекунди, а 500 милисекунди са миг, не изречение. Буферът покрива естествения случай — дума, започната малко преди натискането. Ако изречете цяло изречение и после се сетите да натиснете клавиша, по-ранните думи ги няма, по замисъл: пръстенът никога не държи повече от половин секунда, точно за да не задържа приложението смислен звук, докато бездейства. По-дълга преднина би хващала повече от разсеяните ви начала и би държала повече от околния ви звук в паметта. Половин секунда е мястото, където тегля тази черта.

Защо половин секунда значи повече, отколкото звучи

Отрязана първа дума изглежда като малък бъг. В работния процес с паралелни линии, за който Keebye беше построен — гласът като канал за управление на няколко AI агента и няколко човешки разговора едновременно, работният ден, описан в Две деца, три стартъпа, един глас — диктовката се случва десетки пъти на ден, на залпове, насред превключване на контекста. Инструмент, който изисква ритуална пауза, облага всеки залп и, по-лошо, от време на време обръща смисъла ви и го изпраща. „Мърджвай това“ беше смешно точно веднъж.

Надеждността в тази категория не е една голяма функция. Тя е натрупването на по-малки предпазни мерки: преднина за началния звук, история зад транскрипцията и път на вмъкване, от който може да се възстанови. Тази статия е за първата от тях; статията за историята покрива втората.

Keebye е в ранен достъп за macOS. Започнете безплатния си пробен период по-долу, кажете „Още не мърджвай това“ при повторна диктовка и проверете дали първата дума оцелява. Това е целият тест.