Wispr Flow kontra Amical – dyktowanie tekstu po polsku do dowolnego pola tekstowego

W skrócie

1. Gadaj do komputera i telefonu zamiast pisać
2. Działa w każdym polu tekstowym
3. Działa bardzo szybko (około 4x szybciej niż pisanie)
4. Rozpoznaje mowę lepiej niż wbudowane w system odpowiedniki
5. Dodaje interpunkcję, dzieli na akapity, rozpoznaje wtręty w innych językach (nazwy własne itd)

Ale że jak, co?

Testuję od pewnego czasu dwa rozwiązania do dyktowania. Jedno z nich, Wispr Flow, jest chyba najczęściej polecanym tego typu rozwiązaniem, niestety w darmowej wersji pozwala dyktować tylko 2000 słów tygodniowo.

Drugi projekt, Amical, to narzędzie z otwartym kodem źródłowym, które wydaje się działać i wyglądać niemal identycznie, a jednocześnie nie zamyka nas w zamkniętym ekosystemie Wispr Flow.

Jeśli wolisz video od tekstu – mały pokaz tego jak to działa:

A zatem:

• czy te narzędzia mają jakieś wady,
• są w czymś – jedno od drugiego – gorsze,
• Jak wygląda codzienność korzystania z obu aplikacji na Windows i Android,
• czy obie oferują podobny poziom poprawności i szybkości działania oraz bezpieczeństwa?

O tym poniżej.

Poprawność rozpoznawania mowy i szybkość działania

Muszę przyznać, że zarówno Wispr Flow, jak i Amical pozytywnie zaskakują szybkością transkrypcji, jak i jej dokładnością.

Oczywiście obu narzędziom zdarzają się jakieś głupie literówki bądź pomyłki. Dlatego każdy tekst należy po nich poprawiać. Zazwyczaj jednak nie ma tego za dużo i zajmuje znacznie mniej czasu niż pisanie od zera.

Próbka dyktowania dłuższego tekstu na obu aplikacjach

Poniżej Znajdziesz trzy teksty. Najpierw oryginalny, z którego dyktowałem. Następnie dwie transkrypcje – wykonane na obu omawianych aplikacjach. Jak dla mnie obie poradziły sobie znakomicie.

Zastrzeżenie do powyższych wyników

Muszę też zaznaczyć, że powyższe wyniki dotyczą transkrypcji wykonywanej poprzez domyślną konfigurację obu narzędzi – czyli wysyłanie dyktowanego głosu do chmury i wykonanie zamiany na tekst na serwerach dostawcy aplikacji, za pomocą ich własnego modelu. Czyli nie jest to transkrypcja wykonana lokalnie na komputerze użytkownika.

Szybkość dyktowania

Zarówno na Windows, jak i na Android, nawet dość długie teksty są transkrybowane niemal natychmiast. W obu wypadkach głos jest wysyłany na bieżąco na serwery i przetwarzany “w locie”. Więc nawet jeśli dyktujemy jakiś bardzo długi tekst, to transkrypcja jest cały czas robiona w tle, a po zakończeniu trybu dyktowania tekst wpada w pole tekstowe w maksymalnie kilka sekund (lub szybciej). Robi wrażenie.

Stabilność i UX

Tutaj muszę niestety dać małą żółtą kartkę aplikacji Amical. Sprawia ona bowiem nieco więcej problemów w codziennej pracy pod Windows. W szczególności zdarza jej się z jakiegoś powodu mieć problem z wstawianiem tekstu w pola tekstowe. Czasem po prostu po zakończeniu dyktowania tekst nie pojawia się w okienku i musimy go sobie wkleić ze schowka. Trudno mi wychwycić tutaj prawidłowość, więc być może ważny jest tutaj kontekst, w jakiej aplikacji to robimy i na jakiej platformie.

Mimo tego nie jest to jakieś bardzo uciążliwe i myślę, że wynika z tego, że obie aplikacje bardzo dynamicznie się rozwijają i ciągle są wprowadzane jakieś nowe funkcje, więc w danym momencie jedna bądź druga może zawierać jakieś drobne błędy, które są jednak bardzo szybko naprawiane.

Jeśli miałbym mieć jeszcze jakieś zastrzeżenie, to w obu wypadkach brakuje mi czegoś, co ma wbudowany Windows i jego skrót klawiaturowy Windows + H, czyli pojawiania się tekstu w trakcie mówienia. Co prawda w Windows sam proces transkrypcji jest dużo gorszy, ale za to widzę na bieżąco, jak tekst pojawia się na ekranie.

Z drugiej strony rozumiem trochę, dlaczego tak się dzieje. Jak mówimy, jest przetwarzane na serwerach dostawców aplikacji i w miarę dyktowania, a także w miarę tego, jak buduje się cały fragment tekstu, zachodzą tam pewne korekty stylistyczne, a także poprawki, i dopiero po zakończeniu dyktowania cały tekst jest wklejany w pole tekstowe, co ma też swoje zalety.

Kwestie prywatności i bezpieczeństwa

Wispr Flow na swoich stronach sporo miejsca kwestiom prywatności i bezpieczeństwa. Mają dedykowaną stronę pokazującą, jakie certyfikaty i zgodność z jakimi normami posiada ich aplikacja. Oprócz tego mają zwyczajową deklarację prywatności.

Amical nie ma tutaj tak rozbudowanych materiałów. Jest tylko notka o prywatności, mgliste wspomnienie o SOC2 w cenniku (ale tylko Enterprise) oraz brak danych twórców (jedynie na Github znajdziemy deklarację, że zespół pochodzi z Kanady, ale to o niczym nie świadczy).

Twórcy Amical zdają się “marketingowo” opierać o twierdzenie, że bezpieczeństwo i prywatność zapewnione są przez fakt, że jest to aplikacja o otwartym kodzie źródłowym. Jest to dyskusyjne i wprowadzające w błąd.

Owszem, sama aplikacja, a właściwie jej kody źródłowe są dostępne na GitHub i można samodzielnie ją skompilować. Jednak typowy nietechniczny użytkownik Amical po instalacji nawet nie wejdzie w ustawienia i będzie korzystał z ich silnika rozpoznawania mowy, który to silnik pracuje na ich serwerach i nie jest udostępniony jako otwarty kod. Aplikacja wysyła więc audio do chmury, zupełnie jak konkurent. Zasady przetwarzania tych danych i spełnione normy czy też uzyskane certyfikaty nie są w żaden jasny sposób opisane na ich stronie.

Z drugiej strony bardziej świadomi użytkownicy mogą wybrać Amical bo pozwala on odpalać lokalne modele zapewniające transkrypcję. Wtedy w teorii nic nie wysyłamy do chmury. W tym wypadku jednak ta opcja okazała się dla mnie częściowo nieużyteczna (dalej we wpisie opowiem dlaczego), więc i tak korzystam z transkrypcji w chmurze od Amical.

Lokalne modele Amical

To mógłby być moim zdaniem killer-feature na korzyść Amical. Mam tu na myśli możliwość wyboru lokalnych modeli głosowych i językowych. Modeli, które działają na twojej maszynie i nie wysyłają żadnych danych do chmury.

Niestety w wypadku mojego laptopa (i5-10210U, 16GB RAM, Grafika Intel UHD) jest to tylko pozorna możliwość.

Najszybszy model z “wbudowanych” (czyli takich jakie można pobrać wprost z interfejsu aplikacji) Whisper Tiny jest bardzo niedokładny, jeśli chodzi o język Polski. I wcale nie taki szybki, bo transkrypcja akapitu złożonego z 3-4 zdań potrafi trwać kilkanaście a nawet kilkadziesiąt sekund.

Potem przełączyłem się na model Whisper Lerge Turbo w wersji trzeciej i ciekaw byłem czy faktycznie będzie w miarę szybki i dokładny. Dokładność się poprawiła, chociaż nie tak bardzo, jak oczekiwałem (nadal gorzej niż chmurowa). Szybkość okazała się za to zupełnie nieakceptowalna. 2-3 zdania zostały zamienione na tekst dopiero po kilku minutach, a dłuższy akapit w ogóle nie został poprawnie obsłużony. System po prostu zakończył transkrypcję i nie wstawił tekstu ani do schowka, ani do aplikacji.

Co ciekawe na moim komputerze z kartą graficzną, wcale nie najnowszą (NVIDIA GeForce GTX 1650, 4GB VRAM), model Whisper Large Turbo w wersji trzeciej zachowuje się całkiem solidnie i mam wrażenie, że działa niewiele wolniej od wersji chmurowej więc w trakcie pracy na komputerze w biurze jak najbardziej mogę z niego korzystać przez co limit słów zużywam tylko na laptopie i telefonie.

Własne modele językowe w Amical

W Amical odkryłem zakładkę, która pozwala podać adresy i klucze API do modeli językowych uruchamianych lokalnie bądź na zewnętrznej infrastrukturze. Jednak tej ścieżki – z dwóch powodów – nie przetestowałem. Po pierwsze, przeciętny, nietechniczny użytkownik też tego nie zrobi. Po drugie, zgodnie z dokumentacją te ustawienia nie służą podłączeniu dodatkowego silnika rozpoznawania mowy a jedynie obróbce samego tekstu (np. lokalna korekta, wzbogacenie o jakieś własne polecenia itd).

Tym samym nadzieja, że potestuję na laptopie jakieś inne silniki, które być może będą działać szybciej, mimo ograniczonych zasobów sprzętowych, legła w gruzach. No trudno.

Porównanie aplikacji desktop i ich podstawowej funkcji – dyktowania tekstu

Obie aplikacje zainstalowane na Windows wyglądają bardzo podobnie. Szczerze mówiąc, wygląda to, jakby jedna aplikacja wzorowała się na drugiej, ponieważ mamy bardzo zbliżone ustawienia, historię, skróty klawiaturowe. Nawet widget unoszący się nad naszym ekranem, który służy do pokazywania, że aplikacja jest włączona albo w trakcie dyktowania – jest niemal identyczny.

Poza tym wszystko działa tak samo. Ustawiamy kursor na polu tekstowym, używamy skrótu klawiaturowego, aplikacja zaczyna słuchać tego, co mówimy. Po zakończeniu dyktowania tekst po 2-3 sekundach pojawia się przed naszymi oczyma, jak również może zostać skopiowany do schowka (lub nie – w Amical mamy też opcję wklejenia tekstu a następnie przywrócenia poprzedniej zawartości schowka). Tekst pojawia się w naszej historii wraz opcjami typu skopiuj do schowka, odtwórz przechwycone audio czy też wykonaj ponownie transkrypcję (np. po zmianie modelu w Amical).

Dyktowanie do telefonu w aplikacji mobilnej

Jeśli chodzi o podstawową funkcjonalność, to obie aplikacje zainstalowane w systemie Android działają niemal identycznie.

Należy dokonać wstępnej konfiguracji i udzielenia uprawnień, w tym:

• dostępu do mikrofonu,
• wyłączenia funkcji optymalizacji baterii, po to, aby aplikacja się nie usypiała,
• dostępu do funkcji dostępności, które pozwalają wykrywać pola tekstowe,
• możliwości wyświetlania nad innymi aplikacjami

Po tej konfiguracji, która mało technicznie doświadczonym użytkownikom może nastręczyć pewnych trudności, ale to już nie jest wina twórców aplikacji, a raczej wbudowanych w Androida systemów uprawnień, możemy cieszyć się z możliwości dyktowania dokumentów do każdego pola tekstowego, jakie klikniemy w systemie.

Działa to w ten sposób, że kiedy otworzymy nowego maila, chat, SMS czy jakiekolwiek inne miejsce, gdzie występuje pole tekstowe, to obok niego pojawi się ikonka, której kliknięcie rozpoczyna dyktowanie. Możemy dyktować dowolny czas, a zakończenie dyktowania musimy potwierdzić kliknięciem ikony OK. W trakcie dyktowania widzimy pasek pokazujący natężenie głosu, co pomaga w sytuacji, kiedy nie jesteśmy pewni, czy mikrofon jest dobrze ustawiony. Mamy także ikonę anulowania dyktowania, gdybyśmy chcieli zrezygnować.

Ekosystem i funkcje dodatkowe

Tutaj mam wrażenie, że WisprFlow jest bardziej dojrzały. Funkcje, które w Amical są dopiero na mapie drogowej lub w beta w Wispr Flow są zazwyczaj dostępne w wersjach oficjalnych (choć tutaj faworyzowany jest ekosystem Apple i tam nowości wychodzą jako pierwsze). Mam tu na myśli serwer MCP, wysyłanie transkrypcji do zewnętrznych narzędzi czy wykonywanie komend głosowych. Jeśli są to rzeczy, na których Ci zależy, musisz sprawdzić, jaka wersja i jaka platforma ma te rzeczy, ponieważ potrafi się to szybko i dynamicznie zmieniać.

Werdykt

Ciężko jednoznacznie wskazać mi, jakie narzędzie wybrać. Prawdopodobnie będzie to zależeć od Twoich preferencji oraz wrażliwości danych, z jakimi pracujesz.

Jjeśli pracujesz na MacOS/iOS i zależy Ci na przejrzystej deklaracji, co dzieje się z Twoimi danymi, to pewnie wybierzesz Wispr Flow.

Jeśli masz mocny komputer, pozwalający odparać lokalne modele, albo nie masz problemu z tym, że nie do końca wiadomo, na jakich serwerach jest przetwarzane Twoje audio, Amical może być lepszym wyborem.

Ja chyba pozostanę przy obu narzędziach zainstalowanych, zarówno w Windows, jak i na Android i sprawdzę, czy darmowy limit 2000 słów na tydzień to coś, co bardzo będzie mnie ograniczać. Jeśli tak, to pewnie zakupię dożywotnią licencję na Amical.

No chyba, że któraś aplikacja wyjątkowo mnie czymś wkurzy.