Голосовой ввод Windows (Win+H) использует речевые модели Microsoft, созданные до эпохи трансформеров. Точность на чистом английском держится на уровне 88 процентов. Акценты ломают его. Другие языки ломают его. OpenAI Whisper — это современная альтернатива с точностью около 98 процентов на чистом английском, отлично справляющаяся с акцентами и 96 языками, которая работает бесплатно, локально, на том же ПК с Windows.
Тот же микрофон, тот же ПК с Windows, две разные речевые модели.
Встроенное распознавание речи от Microsoft удобно, но использует устаревший стек распознавания речи. Точность на чистом американском английском по тестам составляет около 88 процентов (одна ошибка на каждые девять слов). На английском с акцентом точность падает до 70 с небольшим. На большинстве неанглийских языков он непригоден для реального написания текстов. Он бесплатный, встроенный и подходит для списков покупок.
Whisper — это современная модель распознавания речи на базе трансформеров от OpenAI, обученная на 680 000 часах аудио. Независимые тесты показывают точность около 97–98 процентов на чистом английском, с отличными результатами на акцентах и 96 языках. StarWhisper объединяет Whisper в бесплатное приложение для Windows, которое работает локально на вашем ПК. Тот же микрофон. Намного лучший текст.
Конкретные различия в точности, которые вы заметите в первый же день
Индийский английский, шотландский, сингапурский, южноафриканский, карибский, австралийский. Whisper обучался на всех них. Win+H обучался преимущественно на американском английском, и это заметно. Разрыв намного больше, чем заявленные 10 пунктов.
Whisper поддерживает 96 языков. Win+H поддерживает гораздо более короткий список, и точность сильно варьируется. Для немецкого, французского, испанского, мандаринского, японского, корейского, хинди, арабского, русского и большинства других языков разрыв фактически является границей между пригодным и непригодным для использования.
Whisper точнее обрабатывает термины программирования, медицинскую лексику, юридический язык и научную терминологию, поскольку обучающий корпус включал этот контент. Win+H имеет тенденцию автозаменять технические слова на обычные английские эквиваленты.
Имена людей, названия мест, брендов, продуктов. Whisper сохраняет больше из них. Win+H часто искажает неанглийские имена или заменяет их фонетическим предположением.
Whisper сохраняет контекст между предложениями и создает более связные абзацы. Win+H оптимизирован для коротких фраз и имеет тенденцию терять нить повествования при диктовке нескольких предложений.
Whisper контекстно расставляет знаки препинания и учитывает границы предложений. Win+H требует, чтобы вы явно произносили «запятая» и «точка», что замедляет естественную речь и приводит к неудобным транскрипциям.
Microsoft поставляет распознавание речи в Windows более двадцати лет. В Windows Vista была система распознавания речи Windows (WSR) — инструмент диктовки, управляемый с клавиатуры, которым почти никто не пользовался. В Windows 10 в 2017 году добавили обновленный голосовой ввод, доступный по горячей клавише Win+H. В Windows 11 интерфейс был улучшен еще больше. Что не изменилось сколько-нибудь существенно, так это базовая речевая модель.
Базовая акустическая модель в голосовом вводе Windows относится к эпохе до трансформеров. Она использует архитектуру рекуррентных нейронных сетей, обученную на относительно небольшом корпусе в основном американского английского. Тем временем индустрия шагнула вперед дважды: сначала к моделям на базе трансформеров, затем к мультиязычному предварительному обучению в массовом масштабе. Whisper — самый известный открытый пример второй волны, с 680 000 часов обучающих данных на 96 языках.
Разрыв в точности носит структурный характер, а не является проблемой настройки. Предположительно, Microsoft работает над речью нового поколения, но пока встроенный инструмент Windows работает поверх старых технологий. Если вы когда-нибудь задавались вопросом, почему диктовка на вашем телефоне Pixel или iPhone кажется более точной, чем на ноутбуке с Windows, объяснение то же: на этих телефонах работают более новые модели.
Разница в точности сразу проявляется на реальных предложениях. Ниже приведены типичные примеры из отчетов пользователей. В колонке «Произнесено» указано то, что было сказано. В колонке «Win+H» — дословный вывод. В колонке «Whisper» — то, что создал StarWhisper из идентичного аудио.
| Произнесено | Вывод Win+H | Вывод Whisper (StarWhisper) |
|---|---|---|
| "The deployment went to staging at 3 PM" | the deployment went to staging at three p m | The deployment went to staging at 3 PM. |
| "Schedule a meeting with Aoife on Thursday" | schedule a meeting with eva on Thursday | Schedule a meeting with Aoife on Thursday. |
| "The patient reported intermittent dyspnea" | the patient reported intermittent disney | The patient reported intermittent dyspnea. |
| "Refactor the auth middleware to use JWT tokens" | refactor the off middleware to use jay w t tokens | Refactor the auth middleware to use JWT tokens. |
| "Send the contract to [email protected]" | send the contract to monara at example dot com | Send the contract to [email protected]. |
Эти примеры не выбраны наугад. Они типичны для того типа ошибок, которые вы увидите, если будете диктовать любое количество времени с чем-либо, кроме самой общей американской английской лексики.
Разница в точности — это не магия, а архитектура и масштаб. Whisper представляет собой трансформер типа «последовательность-в-последовательность», обученный сквозным методом на массивном, разнообразном корпусе аудио. StarWhisper объединяет модель Whisper и запускает ее локально на вашем ПК с Windows.
OpenAI обучала Whisper примерно на 680 000 часах аудио, собранного в интернете, включая 117 000 часов мультиязычных данных и 125 000 часов данных перевода. Это примерно на два порядка больше, чем то, на чем обучался старый стек Microsoft. Большие и более разнообразные обучающие данные — главная причина, по которой Whisper хорошо справляется с акцентами, технической лексикой и неанглийскими языками.
Whisper использует трансформер «энкодер-декодер» — ту же общую архитектуру, что и GPT и современные модели перевода. Эта архитектура гораздо лучше справляется с длинным контекстом, чем рекуррентные модели, доминировавшие в распознавании речи на протяжении 2010-х годов. Именно поэтому Whisper создает связные абзацы, в то время как старые системы создают связные предложения и теряют нить между ними.
Whisper обучался совместно на нескольких речевых задачах: транскрипции, переводе, идентификации языка, обнаружении голосовой активности. Такая многозадачная настройка создает модель, которая устойчива в условиях, где любая однозадачная модель деградировала бы. На практике это означает, что Whisper изящно обрабатывает паузы тишины, фоновый шум и переключение языков.
Поскольку Whisper имеет открытый исходный код и разумный размер, он помещается на потребительский компьютер с Windows и работает с приемлемой скоростью на процессоре. Именно поэтому StarWhisper может предлагать его в качестве бесплатного локального инструмента. Облачная подписка не требуется, никакое аудио не покидает ваш ПК, а преимущество в точности применяется независимо от подключения к интернету. Полная информация о том, как модель работает локально, находится на странице функций конфиденциальности и автономной работы.
Голосовой ввод Windows бесплатен, встроен, поставляется на каждом компьютере с Windows 10 и 11 и не требует никакой настройки. В случае, когда вы хотите продиктовать одно предложение в текстовое поле и не заботитесь об акцентах, технической лексике или других языках, он работает. Многие пользователи получают от него реальную пользу и на телефонах, где эквивалентная встроенная диктовка также достаточно хороша для коротких сообщений.
Если ваши потребности в диктовке ограничены «редким коротким предложением в Блокноте, на чистом американском английском, без имен собственных», нет причин устанавливать что-то еще. Трения, связанные с установкой отдельного приложения, не стоят того для одного предложения раз в несколько недель.
| Возможность | Голосовой ввод Windows (Win+H) | StarWhisper (Whisper) |
|---|---|---|
| Точность на чистом английском | ~88% | ~97-98% |
| Английский с акцентом | Слабо | Сильно |
| Неанглийские языки | Ограниченно | 96 языков |
| Техническая / медицинская / юридическая лексика | Искажается | Сохраняется |
| Автоматическая пунктуация | Вручную ("запятая", "точка") | Автоматически |
| Автоматические числа (3 PM вместо three p m) | Нет | Да |
| Аудио покидает ваше устройство | Да (облако Microsoft) | Нет (Локальный режим) |
| Работает офлайн | Нет | Да |
| Ускорение на GPU | Нет | NVIDIA CUDA + Vulkan |
| Стоимость | Бесплатно, встроено | Бесплатно до 500 сл/день, $10/мес безлимит |
| Горячая клавиша | Win+H (фиксированная) | Настраиваемая |
| Работает в любом текстовом поле | В большинстве | Везде |
Вам не нужно выбирать. Оба варианта могут сосуществовать. Вот самый простой путь.
Большинство пользователей обнаруживают, что через неделю они полностью перестают нажимать Win+H, потому что разница в точности настолько велика, что встроенный инструмент начинает раздражать по сравнению с новым. Если вы хотите более глубокого сравнения двух инструментов бок о бок, специальная страница StarWhisper против голосового ввода Windows более подробно рассматривает компромиссы.
Whisper — это настоящая нейронная сеть, и для быстрой работы ей требуются вычислительные мощности, но по стандартам 2026 года требования невысоки.
Для старых или менее мощных машин StarWhisper автоматически выбирает правильный размер модели Whisper. Маленькая модель работает в реальном времени практически на любом современном ноутбуке с Windows, даже со встроенной графикой. Средние и большие модели работают медленнее, но они точнее и выигрывают от GPU. Vulkan доступен как кросс-вендорный путь для графических карт AMD и Intel.
Если вы задаетесь вопросом «почему диктовка в Windows такая плохая», потому что хотите бесплатное локальное решение, уважающее ваше оборудование, ответ — да, оно работает на компьютерах, которые у вас уже есть. Более подробная информация на странице функций профессиональной точности.
Это частая жалоба на Win+H. Решение из документации поддержки Microsoft обычно заключается в сбросе разрешений для речи или переустановке языковых пакетов. Если вы сталкивались с этим несколько раз и хотите более стабильный инструмент, установка отдельного приложения для диктовки — разумное обходное решение. StarWhisper работает независимо от речевого стека Windows, поэтому он не ломается таким же образом.
Win+H не расставляет знаки препинания автоматически по умолчанию. Вы можете включить настройку «автоматическая пунктуация» в некоторых последних сборках Windows, но поведение нестабильно. Whisper обрабатывает пунктуацию контекстно, на основе структуры предложения, поэтому паузы в речи становятся запятыми, концы — точками и так далее, без ручного вмешательства.
Это самая частая жалоба и та, которую проще всего исправить. Whisper обрабатывает английский с акцентом с точностью, близкой к носителям языка. Если ваш акцент не американский, разрыв настолько велик, что переход на инструмент на базе Whisper ощущается как первая пара очков.
Win+H работает в большинстве стандартных текстовых полей Windows, но имеет частные случаи в некоторых приложениях. StarWhisper использует тот же механизм вставки, что и любой другой Windows IME, поэтому он работает везде, где работает ваша клавиатура, включая приложения, где Win+H не работает. Это относится к Word, Outlook, адресной строке Chrome, Slack и так далее. Специальный FAQ по офлайн-диктовке проходит по списку совместимости.
Бесплатный план покрывает 500 слов в день, чего достаточно для оценки разницы в точности на реальной работе в течение недели или двух. Если вы активно используете диктовку (писатели, исследователи, создатели контента, все, кто производит более нескольких тысяч слов в день), Pro стоит 10 долларов в месяц или 80 долларов в год. Никакой математики на каждое рабочее место и нет уровней с апселлом. Подробности о ценах в разделе цен на главной странице.
Для писателей, в частности, скорость диктовки на базе Whisper является главным吸引力ом, как только точность перестает быть препятствием. См. голосовой ввод текста для писателей для рабочего процесса написания длинных текстов.
Подробное сравнение двух инструментов бок о бок.
Как StarWhisper достигает точности 97-98% при реальной диктовке.
Установка, горячие клавиши, совместимые приложения и офлайн-поведение в Windows.
Рабочие процессы длинной диктовки для авторов, блогеров и журналистов.