Kāpēc diktēšanas lietotnes apēd tavu pirmo vārdu

Nospied īsinājumtaustiņu. Sāc runāt. Vēro, kā transkripts sākas ar tavu otro vārdu — reizēm trešo. „Refaktorē atkārtošanas loģiku” iznāk kā „atkārtošanas loģiku”. „Nesapludini to vēl” iznāk kā „sapludini to vēl”, un tas ir patiesi bīstams teikums, ko dabūt uzrakstītu savā vārdā. Šo kļūmi ir viegli atkārtot dažādos aukstā starta mikrofona konveijeros, sākot ar operētājsistēmas iebūvētajiem un beidzot ar specializētiem diktēšanas rīkiem.

Cilvēki to apraksta dažādi — „tas nogriež sākumu”, „man pirms runāšanas jāieturas pauze”, „pirmā vārda vienmēr trūkst” —, bet tā ir viena parādība, un, tiklīdz esi tajā iekritis, tu izstrādā to pašu risinājumu, ko izstrādā visi: nospied taustiņu, pagaidi mirkli, tad runā. Tas nozīmē, ka tu tagad desmitiem reižu dienā izpildi mazu māņticīgu rituālu, lai kompensētu savu rīku, un rīks ir apmācījis tevi, nevis otrādi.

Es to rituālu citos rīkos veicu mēnešiem. Būvējot Keebye, tā nogalināšana bija viena no pirmajām lietām sarakstā, jo risinājums izrādījās tāds, kas prasa neērtu kompromisu, uz kādu vairums lietotņu neies — un es gribu par šo kompromisu runāt tikpat tieši, cik par risinājumu.

Kāpēc pirmais vārds tiek nogriezts?

Šī ir kategorijas līmeņa problēma, nevis viena ražotāja paviršība, un tās fizika ir vienkārša: mikrofoni nav acumirklīgi.

Kad diktēšanas lietotne sāk ierakstu naivajā veidā — nospied īsinājumtaustiņu, tad atver mikrofonu —, pirms tiek uztverts pirmais tavas runas nolasījums, jānoiet vesela ķēde. Jāinicializējas operētājsistēmas audio sesijai. Jāpamostas ievades ierīcei, kas dažai aparatūrai nozīmē burtisku iesildīšanās laiku. Tiek saskaņots plūsmas formāts, tiek piešķirti buferi, un pirmie pienākušie buferi bieži ir atkritumi, ko izmet. Atkarībā no datora un ierīces šī ķēde aizņem kaut kur starp „mirkli” un pāris sekundēm.

Pa to laiku tu — cilvēks ar jau izveidojušos domu — sāc runāt tajā pašā mirklī, kad pirksts skar taustiņu. Patiesībā parasti matu tiesu pirms tā: nodoms nospiest un nodoms runāt no smadzenēm iziet kopā, un runas sākums regulāri apsteidz lietotnes gatavību. Viss, ko pateici, pirms plūsma bija dzīva, lietotnes skatījumā nekad nav eksistējis. Modelis nevar transkribēt audio, kas nekad netika uztverts. No tā: „atkārtošanas loģiku”.

Kāpēc lietotnes mikrofonu iedarbina pēc pieprasījuma, nevis tur to gatavībā? Galvenokārt aiz pieklājības. Atvērta mikrofona turēšana maksā mazliet enerģijas un — daudz svarīgāk — iededz operētājsistēmas mikrofona indikatoru, ko lietotāji saprotami nolasa kā „šī lietotne mani klausās”. Mikrofona atvēršana tikai pēc pieprasījuma tur indikatoru godīgu un lietotni izskatīgi pieklājīgu. Cena ir aukstā starta risks ieraksta sākumā.

Risinājums: mikrofons, kas jau klausās, kad nospied taustiņu

Keebye šo problēmu uzbrūk no abiem galiem, un abus mehānismus ir vērts nošķirt, jo tie risina divas dažādas problēmas puses.

Siltais mikrofons. Pēc pirmā ieraksta sesijā Keebye tur audio ievades plūsmu atvērtu. Tas nozīmē, ka aukstā starta ķēde — sesijas inicializācija, ierīces pamodināšana, plūsmas saskaņošana — vēlākai diktēšanai jau ir notikusi, kamēr šī plūsma paliek veselīga. Plūsma ir dzīva, pirms tavs pirksts kustas.

Priekšbufers. Silta plūsma salabo lietotnes kavēšanos, bet ne tavējo — atceries, tavs runas sākums var apsteigt taustiņa nospiešanu. Tāpēc Keebye uztur ritošu 500 milisekunžu jaunākā audio buferi (8000 nolasījumu ar 16 kHz, gredzenā). Kad nospied īsinājumtaustiņu, šī pussekunde tikko notikušā audio tiek izskalota izteikuma priekšgalā. Audio, kas sācies šī bufera iekšienē, ir pieejams transkribētājam, nevis izmests pirms taustiņa nospiešanas.

Kopējais rezultāts: atkārtotās diktēšanās siltā plūsma un 500 ms priekšbufers nosedz izplatīto gadījumu, kad runa sākas tieši pirms taustiņa nospiešanas vai kopā ar to. Rituālā pauze šajā robežā kļūst nevajadzīga. Tas nevar atgūt vārdu, kas izrunāts vairāk nekā pussekundi pirms ieraksta sākuma, un sesijas pirmā diktēšana joprojām maksā parasto plūsmas starta aizkavi.

Kompromiss, pateikts tieši

Lūk, daļa, ko atsakos aprakt, jo tā ir šīs konstrukcijas godīgā cena: tā kā audio plūsma starp diktēšanām paliek atvērta, macOS rāda mikrofonu kā aktīvu arī tad, kad tu nediktē. Oranžais punkts deg. Ja ieskaties vadības centrā, Keebye ir uzskaitīts kā mikrofona lietotājs, tieši tobrīd, kad tu nedari neko.

Kas šajā laikā patiesībā notiek: audio plūst 500 ms gredzenbuferī un tiek nepārtraukti izmests. Nekas netiek transkribēts. Nekas netiek saglabāts. Nekas neizkļūst no bufera, līdz nospied taustiņu — un viss, kas vecāks par pussekundi, ir pazudis uz visiem laikiem, gredzena pārrakstīts. Bet es neizlikšos, ka indikators melo, jo tas nemelo: plūsma ir atvērta, un „spējīgs vienmēr klausīties” ir godīgs arhitektūras apraksts, pat ja nekas jēgpilnā nozīmē neklausās, līdz tu to palūdz.

Šo kompromisu izdarīju apzināti, ar atvērtām acīm, un lūk, argumentācija. Mikrofona atvēršana pēc pieprasījuma katru reizi ievieš aukstā starta risku: apcirstus vārdus, nepareizus teikumus, iemācīto pauzi. Siltās plūsmas konstrukcijai cena gulstas uz tavu komfortu ar oranžu punktu, un aiz tās stāv arhitektūra, par kuru vari spriest: tikai teksta lokāla vēsture (par ko rakstījām sadaļā tavam diktējumam nekad nevajadzētu vienkārši izgaist), transkripcija uz ierīces, nekāda audio saglabāšana, pussekunde gredzena atmiņas. Es punktu pieņemu. Ja tu ne — tā ir leģitīma nostāja, un tā tiešām varētu nozīmēt, ka tev der cits rīks; mūsu lapas Keebye vs Superwhisper un Keebye vs Wispr Flow ir rakstītas tieši šī lēmuma atbalstam.

Divas robežas, lai nevienam nebūtu pārsteigumu

Sesijas pati pirmā diktēšana joprojām maksā parasto plūsmas starta aizkavi. Siltais mikrofons ir silts tāpēc, ka ieraksts jau ir noticis; pirmais joprojām maksā uzstādīšanas cenu. Vēlākās diktēšanas iegūst, kamēr plūsma paliek atvērta.

Priekšbufers ir 500 milisekundes, un 500 milisekundes ir mirklis, nevis teikums. Bufers nosedz dabisko gadījumu — vārdu, kas sākts mazliet pirms taustiņa nospiešanas. Ja pasaki veselu teikumu un tad atceries nospiest taustiņu, agrākie vārdi ir pazuduši, un tā tas ir iecerēts: gredzens vienmēr tur tikai pussekundi, tieši tāpēc, lai lietotne dīkstāvē nepaturētu jēgpilnu audio. Garāks priekšbufers noķertu vairāk tavu izklaidīgo sākumu un paturētu atmiņā vairāk apkārtējā audio. Pussekunde ir vieta, kur es šo līniju novilku.

Kāpēc pussekunde ir svarīgāka, nekā izklausās

Apcirsts pirmais vārds izskatās pēc sīkas kļūdas. Paralēlo joslu darbplūsmā, kurai Keebye tika būvēts — balss kā vadības kanāls vairākiem AI aģentiem un vairākām cilvēku sarunām vienlaikus, darba diena, kas aprakstīta rakstā divi bērni, trīs jaunuzņēmumi, viena balss —, diktēšana notiek desmitiem reižu dienā, uzplūdos, konteksta pārslēgšanās vidū. Rīks, kas prasa rituālu pauzi, apliek ar nodokli katru uzplūdu un, vēl ļaunāk, reizēm apgriež tavu domu otrādi un to nosūta. „Sapludini to vēl” bija smieklīgi tieši vienu reizi.

Uzticamība šajā kategorijā nav viena liela funkcija. Tā ir mazāku drošinājumu uzkrāšanās: priekšbufers sākuma audio, vēsture aiz transkripta un atgūstams ievietošanas ceļš. Šis raksts ir par pirmo; vēstures raksts aptver otro.

Keebye ir agrīnajā piekļuvē macOS videi. Sāc bezmaksas izmēģinājumu zemāk, atkārtotā diktējumā pasaki „Nesapludini to vēl” un pārbaudi, vai pirmais vārds izdzīvo. Tas ir viss tests.