Голосовой ввод на компьютере: чем диктовать по-русски в 2026

Новую модель распознавания Wispr показала не на пустом месте. Несколько месяцев подряд в отзывах на её приложение повторялась одна и та же претензия: качество диктовки у части платных пользователей поехало вниз. Один из них, надиктовавший больше 350 тысяч слов с начала года, в пользовательском обзоре за 2026 год отдельно оговаривался, что дело не в микрофоне — он пишет на студийный Elgato Wave 3, а не на наушники. И вот 17 августа 2026 компания объявляет о раунде на $280 млн, а в том же сообщении показывает Canto — первую собственную модель распознавания за всю историю продукта.

Место, с которого я на это смотрю, стоит обозначить до того, как пойдут цифры. Wispr делает ровно то же, что делаю я, только для другого рынка: у меня Диктуй — голосовой ввод на компьютере с рублёвой оплатой и русским интерфейсом. Хвалить чужой раунд мне незачем, а ругать его — тем более подозрительно, поэтому по фактам держусь блогов обеих компаний, TechCrunch и открытых карточек моделей, а собственный продукт трогаю в одном разделе.

Что произошло за четыре дня августа?

17 августа Wispr объявила о раунде Series B на $280 млн при оценке $2 млрд под ведением Menlo Ventures; всего компания привлекла $361 млн. Со-основатель и генеральный директор Танай Котхари приводит там два показателя масштаба: через Flow надиктовано более 60 млрд слов, продукт используют свыше 10 тысяч компаний. Тогда же показано превью Canto. Через два дня Superwhisper выпустила семейство S1 сразу из трёх моделей.

Общее в этих двух новостях важнее, чем каждая по отдельности. Оба продукта до сих пор строились в основном на чужих моделях распознавания, и оба за одну неделю показали свои. Фундамент, на котором четыре года стояла вся ниша, перестал быть общим.

Три цифры точности, которые нельзя ставить рядом

Из августовских сообщений разошлись три числа, и в пересказах они встали в один ряд, хотя сравнивать их нельзя ни в какой паре.

Canto: «с 30% до 5–10%». Цифра описывает поведение на тяжёлом звуке — уличный шум, ветер, сильный акцент. Тридцать процентов ошибок это не «как было вообще», а «как бывает, когда вы диктуете на ветру». Wispr отдельно оценивает эффект в примерно треть диктовок, которые больше не приходится править руками. Замер сделан самой компанией, методика не опубликована.

S1-Voice: «6,8% в среднем». Superwhisper прогнала модель по восьми наборам записей — встречи, звонки инвесторам, спонтанная речь — и получила 6,8% ошибок в словах, назвав это лучшим результатом среди пятнадцати проверенных моделей. На начитанном LibriSpeech та же модель даёт 2,2%. Разброс между двумя числами одной модели наглядно показывает, насколько цифра точности зависит от звука, а не только от модели.

Верхние строки индекса AA-WER: 1,7–4,6%. Лидерборд Artificial Analysis считает около полусотни моделей по единой методике, и потому числа его верхушки выглядят ниже. Ни Canto, ни S1-Voice в него на момент написания не входят: обе новинки заявлены самими компаниями и стороннего замера пока не проходили. Подробный разбор этого индекса с ценами за час аудио я делал в отдельной статье про модели распознавания речи.

Практический вывод из всех трёх: заявление «доля ошибок упала вдвое» без указания, на каком звуке и кем меряли, сегодня не значит почти ничего. Это относится и к цифрам, которые публикую я.

Зачем Superwhisper отдала нормализатор с открытыми весами?

Самая содержательная часть августа — не деньги, а то, как Superwhisper разложила диктовку на слои и один из них выложила наружу.

Диктовка на компьютере состоит из двух разных задач. Первая — распознавание: превратить звук в последовательность слов. Вторая — нормализация: превратить эту последовательность в текст, который не стыдно отправить. Разница между ними заметнее, чем кажется. Расшифровка живой речи выглядит примерно так: «ну то есть нам нужно... нет, не пятнадцать, семнадцать штук к пятнице». Письменный вид того же: «Нам нужно 17 штук к пятнице». Слова распознаны верно в обоих случаях; читаемым текст делает второй слой.

S1-mini закрывает ровно этот второй слой и больше ничего. Речь она не распознаёт и на вопросы не отвечает — принимает готовую расшифровку и переписывает её начисто: убирает паразиты, разрешает самопоправки в пользу того варианта, на котором говорящий остановился, расставляет знаки препинания и заглавные, переводит проговоренные числа, даты, суммы и адреса почты в письменный вид. Управление устроено тремя независимыми осями: тон (от разговорного до формального), структура (проза или списки), назначение (обычный текст или письмо).

Технические параметры: 0,6 млрд параметров, дообучена из Qwen3-0.6B, лицензия Apache 2.0 с оговоркой о сохранении имени модели. Квантованная сборка занимает 462 МиБ и работает на процессоре ноутбука без видеокарты. Заявленная точность — 94,8% верно предсказанных токенов на собственном наборе из 7519 английских примеров.

Открытые веса тут не жест доброй воли. Платная услуга остаётся в облачных S1-Voice и S1-Language, а маленькая бесплатная модель показывает подход и снимает у скептиков вопрос «что там внутри». Русскому пользователю от неё пока пользы мало: первая версия понимает только английский, а специализированной модели такого класса для русского текста я не нашёл — эту работу у нас продолжают делать большие языковые модели общего назначения, дороже и медленнее полугигабайтной.

Что все эти цифры говорят про русский?

Ничего. И это стоит проговорить прямо, потому что новость подавалась как событие для всей отрасли.

Wispr публикует прирост Canto без разбивки по языкам. Пример переключения языков внутри фразы в её материалах — смесь английского с хинди. Superwhisper указывает в карточке модели: S1-mini в первой версии поддерживает только английский. Из наборов, на которых мерили S1-Voice, по имени назван англоязычный LibriSpeech. Индекс AA-WER считается на английской речи.

При этом аудитория у таких продуктов сильно не англоязычная: по собственным данным Wispr, приложение поддерживает больше сотни языков, а доля английского в использовании — около 40%. То есть большинство диктовок в мире идёт не на английском, а все публикуемые цифры точности — про английский. Разрыв между этими двумя фактами и есть то место, где живёт русскоязычный пользователь.

Чем диктовать текст на компьютере на русском в 2026?

Набор рабочих способов за эти четыре дня не изменился, и их по-прежнему три. Ниже — что каждый даёт и где упирается.

Бесплатный голосовой ввод: Win+H и системная диктовка macOS

Он уже установлен. В Windows сочетание Win+H открывает панель голосового ввода в любом текстовом поле; русский включается в языковых параметрах. В macOS то же делает системная диктовка из раздела «Клавиатура» в системных настройках. Ни регистрации, ни подписки, ни установки.

Упирается это в три вещи: знаки препинания на длинных текстах, английские термины внутри русской фразы и полное отсутствие обработки надиктованного — что сказали, то и вставилось. Для сообщения в мессенджер хватает, для статьи или письма клиенту обычно нет. Что Microsoft добавила в диктовку за лето и кому это досталось, разобрано в статье про Fluid Dictation.

Локальное с открытым исходным кодом

Модель крутится на самом компьютере, звук не уходит в сеть вообще. Единственный подходящий вариант там, где запись по закону или внутренней политике не должна покидать машину: врачебная тайна, адвокатская тайна, закрытый контур. Плата за это — разовая установка модели весом от полугигабайта, английский интерфейс у большинства проектов и заметная нагрузка на процессор. Готовые настольные программы такого рода я разбирал в обзоре открытых решений.

Облачные программы и приложения для голосового ввода

Здесь живут Wispr Flow, Superwhisper и Диктуй — мой продукт: горячая клавиша, речь, текст появляется в активном окне, оплата в рублях, интерфейс и поддержка на русском.

Про деньги коротко. Тариф Pro у Wispr Flow — $15 за пользователя в месяц, $12 при годовой оплате; платёж идёт через Stripe, российские карты он не принимает. Подробный разбор способов оплаты из России со всеми комиссиями у меня написан отдельно. Русского интерфейса и рублёвой оплаты не появилось ни у Wispr, ни у Superwhisper, и ни в одном из августовских сообщений про российский рынок нет ни слова.

Про второй слой, о котором шла речь выше, скажу как есть. Своей модели распознавания у меня нет — Диктуй работает на открытой модели Whisper, и августовские новости этого не изменили; почему выбрана именно она, разобрано в отдельном техническом разборе. А слой приведения текста в порядок закрыт Режимом трансформации: выделяешь надиктованный кусок, отдельной клавишей даёшь голосом инструкцию — «убери повторы, оформи деловым письмом» — и модель переписывает. По сути та же задача, что решает S1-Language, только инструкция задаётся голосом, а не тремя переключателями, и работает она на русском.

Честные границы тоже назову. Диктуй облачный: звук уходит на распознавание, и для материалов, которые не должны покидать компьютер, он не подходит — там нужен локальный вариант из предыдущего пункта. Мобильных приложений у меня нет, у Wispr они есть. Собственной модели, как теперь у обеих упомянутых компаний, тоже нет.

Выбирать между тремя слоями по чужим процентам бессмысленно — разброс между ними меньше, чем разброс между вашими условиями записи. Расстояние до микрофона, фон и темп речи дают больший эффект, чем разница между любыми двумя моделями из таблиц выше; с замерами это разобрано в статье про ошибки голосового ввода. Практичнее взять свою типичную задачу и прогнать её на бесплатном уровне: 30 минут диктовки без привязки карты покрывают десяток реальных писем и заметок, после которых видно, экономит голос время или нет.

Насколько на самом деле выросла оценка?

Цифра $2 млрд разошлась по заголовкам без второй половины сравнения. Девятью месяцами раньше, в ноябре 2025 года, Reuters сообщал об оценке компании в $700 млн по итогам предыдущего раунда. Рост почти втрое.

Два понятия в пересказах слипаются. Оценка компании — величина, из которой считается доля инвестора за вложенные деньги, то есть ожидания. Выручка — то, что реально получено от клиентов; абсолютных цифр Wispr не публикует, но раскрыла динамику: рост более чем на 150% в каждом из четырёх последних кварталов. Формулировка «сервис диктовки стоит два миллиарда» описывает первое, а читается как второе.

Означает оценка вот что: инвесторы перестали считать голосовой ввод функцией внутри чужой операционной системы. TechCrunch в разборе раунда перечисляет целую группу конкурентов, за которыми теперь следят: Willow, Monologue, Aqua, Superwhisper, а со стороны расшифровки встреч — Granola, Fireflies, Read AI. Четыре года назад такого списка не существовало.

Почему Wispr уходит от диктовки

Русские пересказы новости вышли под заголовками про замену клавиатуры. Первоисточник говорит о другом: диктовка для компании становится не конечным продуктом, а входной точкой. Вышел Notetaker — расшифровка встреч с итогами и списком задач, то есть выход на поляну Granola и Fireflies. Появились партнёрства с производителями носимых устройств, включая кольцо Oasis для диктовки без рук. Про саму Canto Котхари пишет, что модель — только начало пути к диктовке, которую не приходится править. Та же убеждённость, по его словам, стоит и за исследовательским подразделением Wispr Advanced Interfaces Lab, которое компания открыла 24 июля 2026 во главе с Арией Растроу, участником команды, создавшей Alexa. Цель там сформулирована как системы, которые понимают не произнесённые слова, а намерение.

Для пользователя, которому нужно просто надиктовать письмо, это скорее предупреждение: продукт, который берёт деньги за диктовку, направляет новые $280 млн в соседние задачи. Хорошая новость в том, что в нише остаются те, для кого диктовка и есть продукт.

Коротко

Голосовой ввод за неделю августа перестал быть надстройкой над чужими моделями. Wispr привлекла $280 млн при оценке $2 млрд — почти втрое выше ноябрьской — и показала первую собственную модель распознавания Canto, ответив ею на месяцами копившиеся претензии к качеству. Superwhisper двумя днями позже выпустила своё семейство S1 и выложила нормализатор текста с открытыми весами, разделив диктовку на два честно названных слоя.

Русскому языку из этого не досталось ни одной проверяемой цифры: замеры Canto без разбивки по языкам, S1-mini в первой версии только английский, индекс AA-WER на английской речи. Оценка в два миллиарда описывает ожидания инвесторов от англоязычного продукта, а способов надиктовать русский текст на компьютере как было три, так и осталось — встроенный бесплатный, локальный открытый, облачный с подпиской.