Mondd, amit mondtam: diktálás AI-átírás nélkül

Van egy panasz az AI-jal feljavított diktálásról, amely paradoxnak hangzik addig, amíg át nem élted: az átírás rendben volt — az rontotta el, ami utána történt. Mondtál valamit, és az eszköz kicsiszolt, magabiztos, kicsit más dolgot adott vissza. Egy pontosítás csendben eltűnt. Egy óvatos megfogalmazás kikerült. Egy mondatot átszerkesztett valamivé, amit sosem mondanál. A minta legrosszabb változatában pedig — abban, amitől az emberek a helyszínen otthagynak egy eszközt — megfordul a jelentés. A „Ne deployolj, amíg a tesztek nem mennek át” a másik végén a deployolásról szóló utasításként jön ki, a ne nélkül.

Az alkalmi diktálásnál ez bosszúság. Ahogy én valójában használom a diktálást — promptokat adok a Claude Code-nak, a Claude Code vezetése hanggal írásból ismert munkafolyamat szerint —, ott méreg. Egy kódolóügynök specifikációként veszi a szavaidat. Nem tudja, hogy a diktálóeszközöd átfogalmazott. Ha az a pontosítás, amitől az utasítás biztonságos volt, elsimult a szád és a terminál között, az agent vidáman végrehajtja az elsimított változatot. A pontosság a prompt lényege, az AI-átíró réteg pedig olyan gép, amely eltávolítja a pontosságot, miközben az eredményt átgondoltabbnak mutatja.

Miért írják át az AI-diktálóeszközök, amit mondtál?

A kategóriaszintű válasz nem az, hogy bárki a beszéd torzítására készült volna. Hanem az, hogy a „tisztítsd meg ezt az átiratot” valóban vonzó funkció, és a kézenfekvő megvalósítás az, hogy a nyers átiratot átfuttatjuk egy nyelvi modellen.

A nyers beszéd rendetlen — töltelékszavak, félbehagyott kezdések, ismételt szavak, hiányzó írásjelek. Egy LLM, amelyet megkérünk, hogy rendezze ezt, gyönyörű kimenetet ad. A baj az, hogy egy nyelvi modell nem szerkeszt úgy, ahogy egy „ööö”-t kihúzó emberi olvasószerkesztő szerkeszt. Újragenerál. A kimenet egy új szöveg, amelyet a modell a bemeneted jó változatának tart, és a „jó”-nál szivárog ki a szándékod. A segítőkészségre és a folyékonyságra tanított modelleknek vannak véleményeik: az óvatos megfogalmazás zajnak látszik, a pontosítás rendetlenségnek, egy esetlen, de precíz megfogalmazás javítanivalónak. Az átírás legtöbbször ártalmatlan. De valószínűségi, és a kimenetből nem tudod megmondani, mely mondatokat írtuk át és melyeket komponáltuk. A csiszoltság egyenletes; a hűség nem.

Ez az LLM-es csiszolási folyamatok mély problémája: csendben és magabiztosan buknak el. Egy beszédfelismerő, amely félrehall, általában láthatóan rossz eredményt ad. Egy átíró réteg, amely elárul, láthatóan helyes eredményt ad — nyelvtanilag rendben, hihetően, a te hangodat viselve —, és épp ezért megy el a megfordított „ne deployolj”, ahelyett hogy elkapnád.

Alapból szó szerinti

A Keebye álláspontja egyszerű: amit a beszédfelismerő modell hallott, az landol a kurzorodnál. Alapértelmezetten nem ül nyelvi modell az átirat és a terminálod között, hogy egy jobb változatot komponáljon belőled — az alapértelmezett csiszolási fázis egy rövid, determinisztikus szabálylista, és ennyi.

Ez tudatos fogadás, és a vibecoding használati esetéből fakad. Amikor a diktálásod a kódolóügynökök vezérlőcsatornája, az eszköz feladata a szállítás, nem a szerzőség. Te vagy az író; az agent a közönség; a diktálási rétegnek ne legyen véleménye. Ez a munkafolyamat — teljes promptok kimondása gépelés helyett — a hangdiktálás AI-promptokhoz oldalon van kifejtve.

Van LLM-es csiszolás a Keebye-ban — mindjárt rátérek —, de bekapcsolható, teljesen a gépeden fut, és olyan őr alatt működik, amelyet az elcsúszás, az elszabaduló bővülés és az ismétlődés gyakori formáinak visszautasítására terveztünk. Ha a kimenet elbukik ezen az ellenőrzésen, a Keebye visszaesik a szabályokra. Az alapértelmezés marad a szabályos.

Mit csinál akkor valójában a tisztítás?

A szó szerintinek nem kell nyersnek lennie. A Keebye-ban van egy opcionális tisztítási menet — a feljavítás alapból be van kapcsolva, és apponként felülírható —, de szabályalapú, nem modell, és a teljes lista elfér egy bekezdésben:

Kiszedi az önálló töltelékszavakat (um, uh, erm, you know). Összevonja a közvetlen szóismétléseket — a „the the”-ből „the” lesz. Összevonja a szóközöket. Nagybetűsíti az első betűt, és mondatzáró pontot tesz a végére, ha te nem tettél. Ez a teljes lista. A szabályok determinisztikusak és szűken behatároltak; nem rendezik át szándékosan a tagmondatokat, nem távolítanak el tagadásokat, és nem cserélnek szinonimákat.

A tisztítás előtt a szótári helyettesítéseid érvényesülnek — felhasználó által megadott cserék a zsargonra és a tulajdonnevekre, amelyeket a beszédmodellek elrontanak, hogy a „pnpm” és a modulneveid úgy érkezzenek, ahogy a kódbázisod írja őket.

És ha még a szabályalapú menet is több beavatkozás, mint amennyit szeretnél, kapcsold ki a feljavítást, és a Keebye a beszédmodell nyers átiratát szúrja be: töltelékszavakkal, ismétlésekkel, mindennel. Bizonyos helyzetekben — valakit idézve, vagy olyan mezőbe diktálva, ahol a záró pont elront valamit — a nyers átirat a jobb választás, és az appszintű felülírás lehetővé teszi, hogy ezt válaszd.

A bekapcsolható csiszolás és a köré épített hűségőr

Most jön az az LLM, amelyet ígértem. Azoknak, akik mégis okosabb tisztítást szeretnének, a Keebye opcionális csiszolási módot kínál (a polish_mode local_llm értékre állítva): egy kis Qwen3 modell fut az eszközön llama.cpp-n keresztül, Metal-gyorsítással, semmit nem küldünk sehová. Az utasításai a csiszolás szűk változata — javítsd az írásjeleket és a nagybetűket, szedd ki a töltelékszavakat, tartsd meg a felhasználó pontos szavait, nyelvét és jelentését, őrizd meg szó szerint a kódot és a fájlneveket. A generálás determinisztikus (mohó mintavétel, ugyanaz a bemenet → ugyanaz a kimenet) és korlátozott; ha a modell egy kétmásodperces határidőn túl megakad, a kimenetét eldobjuk.

Csakhogy az utasítások remények, és ez az írás azért létezik, mert a remények nem garanciák. Ezért minden LLM-mel csiszolt eredmény átmegy egy hűségőrön, mielőtt a kurzorodhoz érhetne. A kimenetnek meg kell tartania az eredeti átirat tokenjeinek legalább 50%-át. Nem duzzadhat fel — nagyjából az eredeti hossz kétszeresén (plusz négy tokenen) túl minden elbukik. Az elszabaduló ismétlődést felismerjük. Ha a csiszolt eredmény elbukik ezen ellenőrzések valamelyikén, a Keebye eldobja, és helyette a szabályalapú tisztításra esik vissza.

Ez az őr elkapja a súlyos tokenvesztést, az elszabaduló bővülést és az ismétlődést, mielőtt a modell kimenete leválthatná a szabályokkal tisztított átiratot. Ez heurisztika, nem szemantikai bizonyíték: egy rövid átfogalmazás vagy egy megváltoztatott tagadás még átmehet a küszöbein. Ha egy pontosítás nem csúszhat el, hagyd kikapcsolva az AI-csiszolást, és küldés előtt nézd át a beszúrt szöveget.

Az őszinte korlátok

A szó szerinti azt jelenti: szó szerinti. Ha összevissza beszélsz, az összevisszaságod landol — még a bekapcsolható csiszolást is tisztításra, nem komponálásra utasítjuk és őrizzük, tehát a Keebye nem fog kanyargós gondolatból éles utasítást csinálni. Az a fegyelem, hogy azt mondd, amit gondolsz, marad nálad.

A szabályalapú tisztítás szándékosan buta. Kiszedi az „um”-ot; nem javítja ki a nyelvtanodat, nem szedi szét a mondatzuhatagot, és nem veszi észre, ha ellentmondtál magadnak. Bármi ennél okosabb visszahozná azokat a megítélési döntéseket, amelyek elkerülésére ez a felépítés létezik.

És a hűség az átírás ellen véd, nem a félrefelismerés ellen. Ha a beszédmodell a „cache”-t „cash”-nek hallja, ez a hiba hűségesen megőrződik — az őrnek fogalma sincs, mit akartál mondani, csak azt tudja, mit írtunk át. A szó szerinti diktálás a bizalmi határt a beszédfelismerő modellhez tolja; nem szünteti meg. (Kapcsolódóan: ha az a problémád, hogy a modell teljesen rossz nyelven ír át, az másik hiba másik megoldással — rögzítsd a diktálási nyelvedet.)

Végül a kategória keretezése: az AI-csiszolás nem átverés, és rengeteg felhasználó őszintén jobban szereti azt a kimenetet, amely simábban olvasható, mint ahogy beszél. Ha te ilyen vagy, más eszközök jól rá is építenek erre, és az összehasonlításaink ezt őszintén ki is mondják — a Keebye vs Wispr Flow és a Keebye vs Superwhisper is tartalmaz valódi „mikor illik jobban a másik eszköz” szakaszt.

Szállítás, nem szerzőség

A Keebye ajánlata szándékosan szűk: te beszélsz, és egy enyhén megtisztított átirat landol ott, ahol a kurzorod van. Amikor ezek a szavak egy agentnek szóló promptok, amelyeket az szó szerint hajt végre, a szűk maga a funkció. A legdrágább dolog, amit egy diktálóeszköz egy fejlesztővel tehet, nem az elgépelés. Hanem egy folyékony mondat, amelyet sosem mondtál.

A Keebye korai hozzáférésben érhető el macOS-re. Indítsd el lent az ingyenes próbaidőszakot, diktáld be, hogy „Ne deployolj, amíg a tesztek nem mennek át”, és nézd meg, túléli-e pontosan ez a megkötés a tisztítást. Ez a teszt maga a termék.