พูดอย่างที่ฉันพูด: การพิมพ์ด้วยเสียงที่ไม่มี AI มาเขียนใหม่

มีคำบ่นเรื่องการพิมพ์ด้วยเสียงที่เสริมด้วย AI ซึ่งฟังดูขัดแย้งในตัวเองจนกว่าคุณจะเจอกับตัว: การถอดเสียงไม่มีปัญหาเลย — สิ่งที่เกิดขึ้น_หลัง_การถอดเสียงต่างหากที่ทำมันพัง คุณพูดอย่างหนึ่ง แล้วเครื่องมือส่งมอบอีกอย่างหนึ่งที่ขัดเงา มั่นใจ และ_ต่างออกไปนิดหน่อย_ คำขยายหายไปเงียบ ๆ คำกำกวมที่จงใจถูกตัดออก ประโยคถูกจัดโครงสร้างใหม่เป็นสิ่งที่คุณไม่มีวันพูด และในเวอร์ชันที่แย่ที่สุดของรูปแบบนี้ — เวอร์ชันที่ทำให้คนเลิกใช้เครื่องมือทันที — ความหมายกลับด้าน "อย่า deploy จนกว่าเทสต์จะผ่าน" ออกมาอีกฝั่งเป็นคำสั่งให้ deploy โดยที่ อย่า หายไป

สำหรับการพิมพ์ด้วยเสียงทั่ว ๆ ไป นี่คือเรื่องน่ารำคาญ สำหรับวิธีที่ผมใช้การพิมพ์ด้วยเสียงจริง ๆ — ป้อน prompt ให้ Claude Code เวิร์กโฟลว์จาก การขับ Claude Code ด้วยเสียงของคุณ — มันคือยาพิษ coding agent รับคำของคุณเป็นข้อกำหนด มันไม่รู้ว่าเครื่องมือพิมพ์ด้วยเสียงของคุณถอดความคุณใหม่ ถ้าคำขยายที่ทำให้คำสั่งนั้นปลอดภัยถูกลูบให้เรียบหายไประหว่างปากคุณกับเทอร์มินัล agent ก็จะรันเวอร์ชันที่ถูกลูบให้เรียบนั้นอย่างร่าเริง ความแม่นยำคือสาระทั้งหมดของ prompt และชั้นเขียนใหม่ด้วย AI ก็คือเครื่องจักรสำหรับกำจัดความแม่นยำ พร้อมกับทำให้ผลลัพธ์ดู_ตั้งใจมากขึ้น_

ทำไมเครื่องมือพิมพ์ด้วยเสียงที่ใช้ AI ถึงเขียนสิ่งที่คุณพูดใหม่

คำตอบระดับหมวดหมู่ไม่ใช่ว่ามีใครตั้งใจบิดเบือนคำพูด แต่เป็นเพราะ "เก็บกวาดข้อความที่ถอดได้นี้ให้หน่อย" เป็นฟีเจอร์ที่น่าสนใจจริง ๆ และวิธีสร้างที่ชัดเจนที่สุดคือส่งข้อความดิบผ่านโมเดลภาษา

คำพูดดิบนั้นรกรุงรัง — คำฟุ่มเฟือย การเริ่มผิด คำซ้ำ เครื่องหมายวรรคตอนที่ขาดหาย LLM ที่ถูกขอให้จัดระเบียบสิ่งนั้นผลิตผลลัพธ์ที่สวยงาม ปัญหาคือโมเดลภาษาไม่ได้_แก้ไข_ ในแบบที่บรรณาธิการมนุษย์ลบ "um" ออก มันสร้างใหม่ ผลลัพธ์คือข้อความใหม่ที่โมเดลเห็นว่าเป็นเวอร์ชันที่ดีของอินพุตคุณ และ "ดี" คือจุดที่เจตนาของคุณรั่วออกไป โมเดลที่ถูกฝึกมาให้เป็นประโยชน์และลื่นไหลมีความคิดเห็นของตัวเอง: คำกำกวมดูเหมือนสิ่งรบกวน คำขยายดูเหมือนของเกะกะ ถ้อยคำที่เก้ ๆ กัง ๆ แต่แม่นยำดูเหมือนสิ่งที่ควรปรับปรุง ส่วนใหญ่แล้วการเขียนใหม่นั้นไม่มีพิษภัย แต่มันเป็นความน่าจะเป็น และคุณดูจากผลลัพธ์ไม่ออกว่าประโยคไหนถูกถอดมาและประโยคไหนถูกแต่งขึ้น ความขัดเงานั้นสม่ำเสมอ ส่วนความซื่อตรงไม่

นั่นคือปัญหาลึกของไปป์ไลน์ขัดเกลาด้วย LLM: มันล้มเหลวอย่างเงียบ ๆ และมั่นใจ ตัวรู้จำเสียงที่ได้ยินคุณผิดมักผลิตอะไรที่ผิดอย่างเห็นได้ชัด ส่วนชั้นเขียนใหม่ที่ทรยศคุณผลิตอะไรที่_ดูถูกต้อง_ — ถูกไวยากรณ์ น่าเชื่อ สวมเสียงของคุณอยู่ — ซึ่งเป็นเหตุผลตรง ๆ ที่ "อย่า deploy" ที่กลับด้านแล้วถูกส่งออกไปแทนที่จะถูกจับได้

ตรงตัวเป็นค่าเริ่มต้น

จุดยืนของ Keebye ง่ายมาก: สิ่งที่โมเดลแปลงเสียงเป็นข้อความได้ยิน คือสิ่งที่ไปลงที่เคอร์เซอร์ของคุณ ตามค่าเริ่มต้น ไม่มีโมเดลภาษาตัวไหนนั่งอยู่ระหว่างข้อความที่ถอดได้กับเทอร์มินัลของคุณเพื่อแต่งเวอร์ชันที่ดีกว่าของคุณขึ้นมา — ขั้นตอนขัดเกลาตามค่าเริ่มต้นคือรายการกฎที่แน่นอนสั้น ๆ ชุดหนึ่ง เท่านั้น

นั่นคือการเดิมพันที่จงใจ และมันมาจากกรณีใช้งานแบบ Vibe Coding เมื่อการพิมพ์ด้วยเสียงคือช่องทางควบคุมสำหรับ coding agent งานของเครื่องมือคือการขนส่ง ไม่ใช่การประพันธ์ คุณคือผู้เขียน agent คือผู้อ่าน ชั้นการพิมพ์ด้วยเสียงไม่ควรมีความคิดเห็น เวิร์กโฟลว์นั้น — การพูด prompt ทั้งอันแทนการพิมพ์ — วางไว้ใน พิมพ์ด้วยเสียงสำหรับ prompt ของ AI

Keebye มี การขัดเกลาด้วย LLM อยู่ — เดี๋ยวผมจะพูดถึง — แต่มันเป็นแบบเลือกเปิดใช้ รันบนเครื่องคุณทั้งหมด และทำงานภายใต้ตัวป้องกันที่ออกแบบมาปฏิเสธการเพี้ยน การขยายตัวเกินควบคุม และการซ้ำในรูปแบบที่พบบ่อย ถ้าผลลัพธ์ไม่ผ่านการตรวจนั้น Keebye จะถอยกลับไปใช้กฎ ค่าเริ่มต้นยังคงเป็นกฎ

แล้วการเก็บกวาดทำอะไรกันแน่

ตรงตัวไม่จำเป็นต้องแปลว่าดิบ Keebye มาพร้อมขั้นตอนการเก็บกวาดแบบเลือกได้ — enhancement เปิดไว้ตามค่าเริ่มต้น และเขียนทับได้รายแอป — แต่มันอิงกฎ ไม่ใช่โมเดล และรายการทั้งหมดของสิ่งที่มันทำใส่ได้ในย่อหน้าเดียว

มันตัดคำฟุ่มเฟือยที่ยืนอยู่ลำพัง (um, uh, erm, you know) มันยุบคำซ้ำที่ติดกัน — "the the" กลายเป็น "the" มันยุบช่องว่าง มันทำอักษรตัวแรกให้เป็นตัวใหญ่ และเติมจุดปิดท้ายถ้าคุณไม่ได้จบด้วยจุด นั่นคือรายการทั้งหมด กฎเหล่านี้แน่นอนและมีขอบเขตแคบ มันไม่จงใจสลับลำดับอนุประโยค ไม่ลบการปฏิเสธ และไม่แทนที่ด้วยคำพ้องความหมาย

ก่อนการเก็บกวาดจะรัน การแทนที่จากพจนานุกรมของคุณจะทำงานก่อน — การแทนที่ที่ผู้ใช้กำหนดเองสำหรับศัพท์เฉพาะและคำนามเฉพาะที่โมเดลเสียงมักทำเละ เพื่อให้ "pnpm" และชื่อโมดูลของคุณมาถึงโดยสะกดแบบเดียวกับที่โค้ดเบสของคุณสะกด

และถ้าแม้แต่ขั้นตอนที่อิงกฎก็ยังแทรกแซงมากเกินไปสำหรับคุณ ให้ปิด enhancement แล้ว Keebye จะแทรกข้อความดิบจากโมเดลเสียง: ทั้งคำฟุ่มเฟือย ทั้งคำซ้ำ ครบถ้วน สำหรับบางบริบท — การอ้างคำพูดของใครสักคน การพูดลงในช่องที่จุดปิดท้ายทำให้อะไรพัง — ข้อความดิบคือตัวเลือกที่ดีกว่า และการเขียนทับรายแอปให้คุณเลือกมันได้

การขัดเกลาแบบเลือกเปิดใช้ และตัวป้องกันความซื่อตรงที่ล้อมมันไว้

ทีนี้มาถึง LLM ที่ผมสัญญาไว้ว่าจะพูดถึง สำหรับคนที่ต้องการการเก็บกวาดที่ฉลาดขึ้นจริง ๆ Keebye มีโหมดขัดเกลาแบบเลือกได้ (ตั้ง polish_mode เป็น local_llm): โมเดล Qwen3 ตัวเล็กที่รันบนเครื่องผ่าน llama.cpp เร่งความเร็วด้วย Metal ไม่มีอะไรถูกส่งไปไหน คำสั่งของมันคือฉบับแคบของการขัดเกลา — ซ่อมเครื่องหมายวรรคตอนและตัวพิมพ์ใหญ่ ตัดคำฟุ่มเฟือย เก็บคำ ภาษา และความหมายที่ผู้ใช้พูดไว้เป๊ะ ๆ รักษาโค้ดและชื่อไฟล์ไว้ตามตัวอักษร การสร้างข้อความเป็นแบบแน่นอน (greedy sampling อินพุตเดิม → เอาต์พุตเดิม) และมีเพดานกำกับ ถ้าโมเดลค้างเกินเส้นตายสองวินาที ผลลัพธ์ของมันจะถูกทิ้ง

แต่คำสั่งคือความหวัง และบทความนี้มีอยู่เพราะความหวังไม่ใช่การรับประกัน ฉะนั้นผลลัพธ์ที่ขัดเกลาด้วย LLM ทุกชิ้นจะผ่านตัวป้องกันความซื่อตรงก่อนจะแตะเคอร์เซอร์ของคุณได้ ผลลัพธ์ต้องคงโทเคนของข้อความต้นฉบับไว้อย่างน้อย 50% มันต้องไม่พองตัว — อะไรที่เกินราวสองเท่าของความยาวเดิม (บวกสี่โทเคน) ถือว่าไม่ผ่าน การซ้ำแบบเกินควบคุมถูกตรวจจับ ถ้าผลลัพธ์ที่ขัดเกลาแล้วไม่ผ่านการตรวจข้อใดข้อหนึ่ง Keebye จะทิ้งมันแล้วถอยกลับไปใช้การเก็บกวาดแบบอิงกฎแทน

ตัวป้องกันนั้นจับการสูญเสียโทเคนอย่างรุนแรง การขยายตัวเกินควบคุม และการซ้ำ ได้ก่อนที่ผลลัพธ์ของโมเดลจะเข้าไปแทนข้อความที่เก็บกวาดด้วยกฎ มันคือฮิวริสติก ไม่ใช่การพิสูจน์เชิงความหมาย: การเขียนใหม่ที่สั้นหรือการปฏิเสธที่เปลี่ยนไปยังอาจผ่านเกณฑ์ของมันได้ ถ้าคำขยายคำหนึ่งเพี้ยนไม่ได้ ให้ปิดการขัดเกลาด้วย AI แล้วตรวจข้อความที่แทรกเข้ามาก่อนส่ง

ข้อจำกัดที่ต้องพูดตรง ๆ

ตรงตัวก็คือตรงตัว ถ้าคุณพูดวกวน ความวกวนของคุณก็ไปลง — แม้แต่การขัดเกลาแบบเลือกเปิดใช้ก็ถูกสั่งและถูกกำกับให้เก็บกวาด ไม่ใช่ประพันธ์ Keebye จึงไม่เปลี่ยนความคิดที่เตร็ดเตร่ให้กลายเป็นคำสั่งที่คมชัด วินัยของการพูดในสิ่งที่คุณหมายถึงยังเป็นของคุณอยู่

การเก็บกวาดแบบอิงกฎนั้นโง่โดยตั้งใจ มันตัด "um" ออก มันจะไม่ซ่อมไวยากรณ์ของคุณ ไม่จัดโครงสร้างประโยคยืดยาวใหม่ และไม่สังเกตว่าคุณพูดขัดแย้งกับตัวเอง อะไรที่ฉลาดกว่านั้นจะนำการตัดสินใจเชิงดุลพินิจที่การออกแบบนี้มีอยู่เพื่อหลีกเลี่ยงกลับเข้ามาอีก

และความซื่อตรงป้องกันการ_เขียนใหม่_ ไม่ใช่การ_ฟังผิด_ ถ้าโมเดลเสียงได้ยิน "cache" เป็น "cash" ความผิดพลาดนั้นจะถูกรักษาไว้อย่างซื่อสัตย์ — ตัวป้องกันไม่รู้เลยว่าคุณตั้งใจจะพูดอะไร รู้แค่ว่าอะไรถูกถอดออกมา การพิมพ์ด้วยเสียงแบบตรงตัวย้ายขอบเขตความไว้ใจไปที่โมเดล STT มันไม่ได้กำจัดขอบเขตนั้นทิ้ง (เกี่ยวข้องกัน: ถ้าปัญหาของคุณคือโมเดลถอดเสียงเป็นภาษาผิดไปเลย นั่นคือความล้มเหลวคนละแบบที่มีวิธีแก้คนละอย่าง — ปักหมุดภาษาพิมพ์ด้วยเสียงของคุณ)

สุดท้าย กรอบระดับหมวดหมู่: การขัดเกลาด้วย AI ไม่ใช่การหลอกลวง และผู้ใช้จำนวนมากก็ชอบผลลัพธ์ที่อ่านลื่นกว่าที่ตัวเองพูดจริง ๆ ถ้านั่นคือคุณ เครื่องมืออื่นทุ่มไปทางนั้นได้ดี และการเปรียบเทียบของเราก็พูดแบบนั้นอย่างตรงไปตรงมา — Keebye เทียบกับ Wispr Flow และ Keebye เทียบกับ Superwhisper ต่างมีหัวข้อ "เมื่อไรอีกตัวเหมาะกว่า" จริง ๆ อยู่ในนั้น

การขนส่ง ไม่ใช่การประพันธ์

ข้อตกลงที่ Keebye เสนอนั้นแคบโดยตั้งใจ: คุณพูด แล้วข้อความที่ถูกเก็บกวาดเบา ๆ ไปลงที่เคอร์เซอร์ของคุณ เมื่อคำเหล่านั้นคือ prompt ถึง agent ที่จะลงมือทำตามอย่างตรงตัว ความแคบคือฟีเจอร์ สิ่งที่แพงที่สุดที่เครื่องมือพิมพ์ด้วยเสียงทำกับนักพัฒนาได้ ไม่ใช่คำที่สะกดผิด แต่คือประโยคลื่นไหลที่คุณไม่เคยพูด

Keebye อยู่ในช่วงเข้าถึงล่วงหน้าสำหรับ macOS เริ่มทดลองใช้ฟรีได้ด้านล่าง พูดว่า “อย่า deploy จนกว่าเทสต์จะผ่าน” แล้วตรวจดูว่าข้อจำกัดนั้นรอดจากการเก็บกวาดหรือไม่ การทดสอบนั้นคือตัวผลิตภัณฑ์ทั้งหมด