У меня клавиатура Logitech MX Keys S, на ней есть отдельная кнопка диктовки. Какое-то время на нее был назначен OpenWhispr, а потом я сделал свою программу. Сценарий у нее простой: зажимаешь Ctrl+Shift+Space, говоришь, отпускаешь, и текст появляется там, где стоит курсор. В мессенджере, в почте, в браузере, в редакторе кода. Программа называется Voice Input, код открыт на GitHub, сейчас это версия 1.2.С распознаванием все оказалось довольно предсказуемо. Есть облачная модель OpenAI, есть локальный GigaAM, который работает прямо на процессоре, есть вариант со своим сервером. Отдал звук, получил строку. А вот что делать со строкой дальше, я поначалу недооценил. Ее надо отдать чужой программе, которая про Voice Input ничего не знает и ничего ему не обещает. Пока модель думает, пользователь успевает переключить окно, скопировать что-то в буфер или передумать и нажать Esc. Про эти полсекунды и будет статья. Читать далее