Ένας νέος τρόπος εισαγωγής κειμένου

Σε όλη τη σύγχρονη ιστορία, το πληκτρολόγιο ήταν ο κύριος τρόπος επικοινωνίας μας με τις μηχανές. Πληκτρολογούμε εντολές, γράφουμε κώδικα, συντάσσουμε μηνύματα. Αλλά καθώς η AI γίνεται συνεργάτης κι όχι απλώς εργαλείο, ο όγκος του πλαισίου που πρέπει να μεταδώσουμε έχει εκραγεί. Το πληκτρολόγιο δεν αρκεί πλέον.

Η τεχνολογία μετατροπής ομιλίας σε κείμενο έχει φτάσει σε σημείο καμπής. Η ομιλία είναι πλέον μια βιώσιμη μέθοδος εισαγωγής — όχι καινοτομία, αλλά μια γνήσια εναλλακτική στην πληκτρολόγηση. Αυτή είναι μια αλλαγή παραδείγματος στον τρόπο που οι άνθρωποι αλληλεπιδρούν με τους υπολογιστές.

Όπως η εκμάθηση πληκτρολόγησης σε QWERTY πληκτρολόγιο, η φωνητική εισαγωγή απαιτεί εξάσκηση. Αλλά η καμπύλη εκμάθησης είναι πολύ πιο σύντομη και τα κέρδη παραγωγικότητας πολύ μεγαλύτερα. Θέλουμε να παρέχουμε όχι απλώς ένα εργαλείο, αλλά μια νέα εμπειρία — μια που αλλάζει τον τρόπο που σκέφτεστε για την εισαγωγή δεδομένων.

Τα περισσότερα εργαλεία φωνής σε κείμενο κατασκευάζονται στις ΗΠΑ, βελτιστοποιημένα για τα Αγγλικά. Λειτουργούν αρκετά καλά για αγγλόφωνους, αλλά η ποιότητα πέφτει απότομα για άλλες γλώσσες. Όταν οι γλώσσες αναμειγνύονται — Ιαπωνικά με αγγλικούς τεχνικούς όρους, Βιετναμέζικα με αποσπάσματα κώδικα — τα υπάρχοντα εργαλεία συχνά αποτυγχάνουν εντελώς.

Ο επικεφαλής προγραμματιστής του koedesk είναι Ιάπωνας, εργαζόμενος από το Βιετνάμ. Αυτή η άμεση εμπειρία χρήσης φωνητικής εισαγωγής σε διάφορες γλώσσες και προφορές διαμόρφωσε κάθε σχεδιαστική απόφαση. Παρατηρήσαμε αυτό που οι άλλοι παρέβλεψαν: το χάσμα ακρίβειας μεταξύ Αγγλικών και υπόλοιπου κόσμου.

Γι' αυτό προτείνουμε το ElevenLabs Scribe v2 ως προεπιλεγμένο μοντέλο. Παρέχει σταθερά υψηλή ακρίβεια σε όλες τις γλώσσες — όχι μόνο Αγγλικά και Ιαπωνικά, αλλά και Βιετναμέζικα, Ινδονησιακά, Ισπανικά και δεκάδες άλλες. Το koedesk είναι αυτή τη στιγμή μία από τις λίγες εφαρμογές desktop που προσφέρουν ενσωμάτωση Scribe v2.

Το koedesk είναι σκόπιμα απλό. Πατήστε ένα πλήκτρο, μιλήστε, αφήστε. Τα λόγια σας εμφανίζονται εκεί που βρίσκεται ο δρομέας σας. Χωρίς επιπλέον βήματα, χωρίς απαιτούμενη ρύθμιση για να ξεκινήσετε.

Στο εσωτερικό, είμαστε εμμονικοί με την απόδοση. Η εφαρμογή είναι χτισμένη σε Rust — την ίδια γλώσσα που χρησιμοποιείται για μηχανές περιήγησης και λειτουργικά συστήματα. Η ανίχνευση φωνητικής δραστηριότητας, η λήψη ήχου και η εκκίνηση μεταγραφής είναι όλα ρυθμισμένα για ελάχιστη καθυστέρηση. Όταν σταματάτε να μιλάτε, το κείμενο εμφανίζεται σχεδόν αμέσως.

Τα περισσότερα ανταγωνιστικά εργαλεία χρησιμοποιούν μια διαδικασία δύο βημάτων: ένα μοντέλο ομιλίας σε κείμενο για ακατέργαστη μεταγραφή, ακολουθούμενο από ένα ελαφρύ LLM για καθαρισμό λέξεων-γεμίσματος, διόρθωση γραμματικής και αναμορφοποίηση εξόδου. Εμείς ακολουθούμε διαφορετική προσέγγιση. Το Scribe v2 είναι αρκετά ακριβές ώστε η μετεπεξεργασία LLM να είναι περιττή. Εμπιστευόμαστε απευθείας την έξοδο του μοντέλου.

Αυτή είναι μια σκόπιμη επιλογή. Καθώς τα μοντέλα ομιλίας σε κείμενο συνεχίζουν να βελτιώνονται, η ανάγκη για μετεπεξεργασία LLM θα εξαφανιστεί. Κρατώντας την αρχιτεκτονική μας απλή, το koedesk επωφελείται άμεσα από κάθε βελτίωση στα υποκείμενα μοντέλα — χωρίς στρώματα πολυπλοκότητας ανάμεσα.

Η Guide Inc. είναι εταιρεία ανάπτυξης λογισμικού με έδρα το Τόκιο, Ιαπωνία, με γραφείο ανάπτυξης στην Πόλη Χο Τσι Μινχ, Βιετνάμ. Ιδρύθηκε το 2021 και ειδικευόμαστε στη χρηματοοικονομική τεχνολογία — κατασκευάζουμε πλατφόρμες συναλλαγών και εφαρμογές κινητών για μεγάλα ιαπωνικά χρηματοπιστωτικά ιδρύματα.

Το koedesk γεννήθηκε από την καθημερινή μας εργασία. Ως προγραμματιστές που κατασκευάζουν πολύπλοκα χρηματοοικονομικά συστήματα, χρειαζόμασταν έναν ταχύτερο τρόπο επικοινωνίας με βοηθούς κωδικοποίησης AI, σύνταξης τεκμηρίωσης και σύνθεσης μηνυμάτων — χωρίς να σηκώσουμε τα χέρια μας από τη ροή του πληκτρολογίου. Κατασκευάσαμε το εργαλείο που ευχόμασταν να υπήρχε και αποφασίσαμε να το μοιραστούμε με τον κόσμο.