Нов начин за въвеждане на текст

През цялата модерна история клавиатурата е била основният ни начин за комуникация с машините. Пишем команди, код, съобщения. Но с превръщането на ИИ в сътрудник, а не просто инструмент, количеството контекст, което трябва да предадем, нарасна експлозивно. Клавиатурата вече не е достатъчна.

Технологията за преобразуване на реч в текст достигна повратна точка. Говоренето вече е жизнеспособен метод за въвеждане — не новост, а истинска алтернатива на писането. Това е промяна на парадигмата в начина, по който хората взаимодействат с компютрите.

Подобно на ученето да пишете на QWERTY клавиатура, гласовото въвеждане изисква практика. Но кривата на учене е много по-кратка, а печалбите в продуктивност — много по-големи. Искаме да предоставим не просто инструмент, а ново изживяване — такова, което променя начина, по който мислите за въвеждането.

Повечето инструменти за гласово въвеждане са създадени в САЩ и оптимизирани за английски. Работят достатъчно добре за англоговорящи, но качеството спада рязко за други езици. Когато езиците се смесват — японски с английски технически термини, виетнамски с кодови фрагменти — съществуващите инструменти често се провалят напълно.

Водещият разработчик на koedesk е японец, работещ от Виетнам. Този личен опит с гласово въвеждане на различни езици и акценти оформи всяко проектно решение. Забелязахме това, което другите пропуснаха: разликата в точността между английския и останалия свят.

Ето защо препоръчваме ElevenLabs Scribe v2 като модел по подразбиране. Той осигурява постоянно висока точност на различни езици — не само английски и японски, но и виетнамски, индонезийски, испански и десетки други. koedesk в момента е едно от малкото настолни приложения, предлагащи интеграция със Scribe v2.

koedesk е умишлено прост. Натиснете клавиш, говорете, пуснете. Думите ви се появяват там, където е курсорът. Без допълнителни стъпки, без необходима конфигурация за начало.

Под повърхността сме обсебени от производителността. Приложението е изградено на Rust — същият език, използван за браузърни двигатели и операционни системи. Детекцията на гласова активност, аудио захващането и иницирането на транскрипция са настроени за минимална латентност. Когато спрете да говорите, текстът се появява почти мигновено.

Повечето конкурентни инструменти използват двуетапен процес: модел за преобразуване на реч в текст за сурова транскрипция, последван от лек LLM за почистване на пълнежни думи, коригиране на граматика и преформатиране. Ние имаме различен подход. Scribe v2 е достатъчно точен, че LLM пост-обработката е ненужна. Доверяваме се директно на изхода на модела.

Това е съзнателен избор. С подобряването на моделите за преобразуване на реч в текст, нуждата от LLM пост-обработка ще изчезне. Като поддържаме архитектурата си проста, koedesk се възползва директно от всяко подобрение в основните модели — без слоеве сложност между тях.

Guide Inc. е компания за разработка на софтуер, базирана в Токио, Япония, с офис за разработка в Хо Ши Мин, Виетнам. Основана през 2021 г., ние се специализираме във финансови технологии — изграждаме платформи за търговия и мобилни приложения за големи японски финансови институции.

koedesk се роди от ежедневната ни работа. Като разработчици, изграждащи сложни финансови системи, имахме нужда от по-бърз начин за комуникация с AI асистенти за програмиране, писане на документация и съставяне на съобщения — без да прекъсваме потока на клавиатурата. Създадохме инструмента, който желаехме да съществува, и решихме да го споделим със света.