Локальное распознавание речи: почему Диктант не отправляет голос в облако

Как работает облачная диктовка

Облачные сервисы диктовки устроены так. Вы говорите, программа записывает звук и отправляет его на сервер компании. Там запись расшифровывают и присылают обратно текст.

Для разработчика сервиса это удобно: мощные серверы, одна модель на всех пользователей. А у пользователя появляется несколько неприятных вещей:

• Речь уходит на чужой сервер. Вы диктуете переписку с клиентом, цифры по сделке, личные подробности, и всё это проходит через компьютеры, которые вам не принадлежат.
• Нужен интернет. Плохой вайфай в поезде, самолёт, и диктовка не работает.
• Скорость зависит от сети. Запись должна долететь до сервера и вернуться текстом.
• Подписка. Похожие сервисы берут 15 долларов в месяц.

Диктант я сделал как замену такому платному облачному сервису. Хотелось, чтобы диктовка была быстрой, бесплатной и чтобы мои слова никуда не уходили.

Что значит «распознавание на компьютере»

Модель распознавания речи - это большой файл, в котором собрано, как звучит речь и как из звука получаются слова. У облачных сервисов он лежит на сервере. В Диктанте он лежит у вас на диске, внутри программы, и работает на вашем компьютере.

• Модель весит 226 МБ и уже входит в установщик. После установки ничего докачивать не нужно.
• Фраза длиной 15 секунд распознаётся за 0,3 секунды. В замере на Mac с чипом M3 вышло 0,27 секунды.
• От отпускания клавиши до текста в поле проходит меньше секунды.

Звук от микрофона до готового текста проходит путь внутри вашего компьютера. В сеть на этом пути ничего не отправляется.

Куда уходит ваша речь

Никуда. Звук распознаётся на вашем компьютере и после распознавания не хранится. Есть одно исключение: если запись не удалось распознать, она остаётся на компьютере, чтобы её можно было распознать позже. Таких записей хранится последние 20.

Готовый текст попадает в поле, в буфер обмена и в историю Диктанта. История тоже лежит на этом же компьютере.

Чтобы не было недосказанности, вот что Диктант всё-таки делает в интернете:

• скачивает обновления;
• показывает рекламные баннеры в капсуле записи и проверяет подписку на Telegram-канал;
• отправляет анонимный счётчик: запущен ли Диктант и сколько вы диктуете.

Ни звука, ни текста в этих запросах нет. Счётчик выключается в настройках, пункт «Анонимная статистика».

Как проверить это самому

Верить на слово не обязательно. Самая простая проверка: выключите на компьютере вайфай или выдерните сетевой кабель, поставьте курсор в любое поле и надиктуйте фразу. Текст появится так же, как с интернетом. Распознаванию сеть просто не нужна.

Вторая проверка - посмотреть, что лежит у вас на диске. Настройки, история, словарь и журнал работы Диктанта хранятся в папке ~/.diktant в вашей домашней папке, на Windows это C:\Users\ИМЯ\.diktant. На Mac папка скрыта: в Finder нажмите ⇧⌘G и введите ~/.diktant.

152-ФЗ: что это значит на практике

Закон о персональных данных 152-ФЗ отдельно говорит о передаче данных третьим лицам и за рубеж. Когда вы диктуете письмо с именем клиента в облачный сервис, запись с этим именем уходит на сервер сервиса, а он может стоять где угодно, в том числе за границей.

В Диктанте речь распознаётся и хранится только на вашем компьютере. Он не передаёт ни звук, ни текст: ни в облако, ни третьим лицам, ни за рубеж. Поэтому им можно диктовать письма и документы с персональными данными клиентов и сотрудников: ни передачи этих данных третьим лицам, ни трансграничной передачи при диктовке не возникает.

На практике это значит, что голосом можно спокойно работать с тем, что обычно стараются не отправлять в чужие сервисы:

• письма клиентам с именами, телефонами и суммами;
• документы по сотрудникам: служебные записки, характеристики, ответы кандидатам;
• коммерческие условия, цифры по сделкам, внутренние заметки после переговоров;
• черновики договоров и писем, которые ещё рано кому-то показывать.

Важная оговорка. Я описываю, куда идут данные во время диктовки. Что дальше происходит с надиктованным документом, куда вы его отправите и где будете хранить, решаете вы и правила вашей компании.

Диктовка без интернета

Раз модель лежит на компьютере, сеть для диктовки не нужна. Диктант работает в самолёте, в поезде, на даче с плохой связью. Интернет понадобится, чтобы скачать установщик, и потом для обновлений.

И раз серверы для распознавания не нужны, нет и лимитов: Диктант бесплатный, без подписки и без ограничений на количество диктовок.

Для меня это ещё и вопрос предсказуемости. Диктовка работает одинаково быстро в любом месте, потому что ей не нужно ждать ответа от сервера.

Отдельная страница про это: голосовой ввод без интернета. Там же частые вопросы о том, что программа отправляет в сеть.

Что за нейросеть внутри, простыми словами

В Диктанте стоит открытая нейросеть для распознавания русской речи. «Открытая» значит, что её можно взять и встроить в свою программу. Я так и сделал.

Чем она мне подошла:

• Обучена на русском. Русский для неё основной язык, на нём она и училась.
• Сама ставит знаки препинания и пишет числа цифрами. «Пятьдесят четыре миллиона» превращается в «54 млн ₽». Проговаривать «запятая» и «точка» не нужно.
• Компактная. В Диктанте стоит сжатый вариант модели на 226 МБ, полный весит 892 МБ. Поэтому модель помещается прямо в установщик.

Есть и особенность. Латинские слова модель записывает так, как слышит: скажете «открой клод», получите «открой клод». Для этого в Диктанте есть словарь замен, и готовые замены уже внутри: Claude, Notion, ChatGPT, Midjourney, YouTube и другие. Свои термины и имена коллег можно добавить. Как с ним работать, рассказываю в статье как диктовать текст, чтобы он получался чистым.

Как удалить всё, если Диктант больше не нужен

Раз всё лежит у вас, то и удаляете вы сами, без запросов в поддержку.

• Mac: значок → «Выйти», перетащите «Диктант» из «Программ» в Корзину и удалите папку ~/.diktant.
• Windows: Параметры → Приложения → «Диктант» → «Удалить». Установщик сам спросит, удалить ли заодно настройки, словарь и историю.

Если хотите оставить программу, но очистить историю, в настройках есть кнопка «Очистить всё», с подтверждением. По умолчанию история хранит последние 200 записей, это число тоже меняется в настройках.

Частые вопросы о локальном распознавании

Модель учится на моих записях? Нет. Записи никуда не отправляются, поэтому учиться на них на чьём-то сервере негде, а сама модель на вашем компьютере от диктовки не меняется. Подстроить распознавание под себя можно словарём замен: имена, термины, названия продуктов.

Что будет, если интернет пропадёт посреди диктовки? Ничего. Распознавание идёт на компьютере, так что вы даже не заметите разницы.

Придётся ли скачивать модель заново при обновлении? Нет. Модель остаётся на компьютере, а обновление весит меньше мегабайта и ставится из самого приложения. Настройки, словарь и история при этом на месте.

Можно ли совсем запретить Диктанту ходить в интернет? Диктовка без сети работает. Анонимный счётчик выключается в настройках. Обновления и реклама в капсуле без интернета просто не придут.

Чем приходится платить за локальность

У решения есть обратная сторона, и о ней честно:

• Требования к компьютеру. Модель работает на вашем железе. На Mac нужен чип Apple (M1 и новее) и macOS 14 или новее, на Mac с процессором Intel Диктант не запустится. На Windows нужна 64-разрядная Windows 10 или 11.
• Место на диске. Модель занимает 226 МБ.
• Только русский. Английскую речь целиком Диктант не распознаёт.
• Без разделения голосов. Он создан для живой диктовки с микрофона, поэтому для расшифровки интервью на два голоса не подойдёт.

Для меня это честный обмен. За то, что слова никуда не уходят и всё работает без сети, я готов мириться с этими ограничениями. Если вы выбирали между облачным сервисом и локальной программой, сравнение с самым известным облачным вариантом есть на странице аналог Wispr Flow на русском.