یک خبرنگار حوزه فناوری پس از آنکه Otter در تشخیص لهجه‌اش هنگام تندگویی ناکام ماند، به دنبال جایگزینی رفت و در نهایت اپلیکیشن متن‌باز Handy را انتخاب کرد. Handy یک نرم‌افزار متن‌باز تبدیل گفتار به متن (Speech-to-Text) است که امکان جابه‌جایی مدل‌های Whisper را در لحظه فراهم می‌کند. این برنامه تشخیص گفتار (Speech Recognition) را به‌صورت محلی روی مک اجرا می‌کند و به کاربر اجازه می‌دهد مدل‌های هوش مصنوعی را برای دقت و سرعت بهتر جابه‌جا کند.
Handy دیکته را در هر برنامه‌ای ممکن می‌کند
به گفته این کاربر، مشکل اصلی Otter فقط دقت پایین نبود؛ بلکه آن را یک وظیفه جداگانه می‌دید: برنامه را باز می‌کرد، ضبط را می‌زد، منتظر پردازش فایل صوتی می‌ماند و سپس متن را در برنامه مقصد کپی می‌کرد. Handy اما رویکردی متفاوت دارد و آشکارا از Wispr Flow الهام گرفته است. پس از نصب Handy و دانلود یک مدل تشخیص گفتار، کاربر با یک میانبر صفحه‌کلید (Keyboard Shortcut) دیکته را فعال می‌کند و متن به‌طور خودکار در هر برنامه‌ای که در حال استفاده است درج می‌شود؛ از پیام‌رسان و ایمیل تا واژه‌پرداز و سیستم مدیریت محتوا (CMS).
مدل‌ها و گزینه‌های سفارشی‌سازی
Handy ده‌ها مدل تشخیص گفتار را فهرست می‌کند که برخی از آن‌ها برای زبان‌هایی مانند ژاپنی یا کره‌ای بهینه شده‌اند. این مدل‌ها در لحظه دانلود می‌شوند و کاربر باید پیش از شروع یکی را انتخاب کند. خبرنگار ابتدا مدل Parakeet 0.6B را آزمایش کرد، اما در نهایت Canary 180M Flash و Nemotron Streaming 3.5 را برای تعادل بهتر میان سرعت و دقت برگزید.
- انتخاب میانبر صفحه‌کلید دلخواه
- فعال‌سازی برنامه هنگام ورود به سیستم (Login)
- تغییر رفتار پیش‌فرض: ضبط فقط تا زمانی که کلید نگه داشته می‌شود یا ضبط روشن/خاموش با هر بار فشردن میانبر
- پردازش پس از رونویسی (Post-processing) با کلید API اوپن‌ای‌آی (OpenAI API)
به گفته او، برای استفاده‌های کوتاه، حالت نگه‌داشتن کلید مناسب است؛ اما چون متن‌های طولانی می‌گوید، حالت روشن/خاموش را ترجیح می‌دهد. قابلیت پردازش پس از رونویسی به کلید API اوپن‌ای‌آی نیاز دارد و می‌تواند متن را به یادداشت ساخت‌یافته، فهرست گلوله‌ای یا قالب‌های دیگر تبدیل کند. او خودش زیاد از این ویژگی استفاده نکرده، چون رونویسی پیش‌فرض را کافی می‌داند، اما امکان ذخیره اصلاح‌کننده‌ها به‌عنوان پرامپت پایه (Base Prompt) برای پیوستن به متن را مفید می‌داند.
رونویسی محلی؛ کنترل بیشتر، بدون اشتراک
تفاوت بنیادین Handy در نحوه پردازش صدا است. Otter معمولاً ضبط‌ها را برای پردازش به سرورهای راه دور می‌فرستد، اما Handy مدل‌های تشخیص گفتار را مستقیماً روی رایانه کاربر اجرا می‌کند. پس از دانلود مدل، حتی به اتصال اینترنت نیازی نیست. این رویکرد محلی فقط به حریم خصوصی مربوط نمی‌شود؛ کاربر درگیر محدودیت مصرف یا اشتراک نمی‌شود و می‌تواند در مکان‌هایی مانند پرواز یا کافه‌ای با شبکه ضعیف هم رونویسی کند.
البته راه‌اندازی اولیه Handy کمی بیشتر از ثبت‌نام در یک وب‌سایت و وارد کردن اطلاعات کارت بانکی زمان می‌برد، اما در عوض انعطاف و سفارشی‌سازی زیادی به کاربر می‌دهد. به باور این خبرنگار، برای تبدیل گفتار به متن دیگر به اشتراک دیگری نیاز نیست.
Otter همچنان جای خود را دارد
Otter به‌ویژه برای کسانی که جلسات زیادی ضبط می‌کنند همچنان ابزار ارزشمندی است و امکان سازمان‌دهی رونویسی‌های طولانی را فراهم می‌کند. اما تنها گزینه موجود نیست و برای لهجه‌ای مانند لهجه این کاربر بهترین انتخاب هم نیست. Handy همه کارکردهای یک پلتفرم رونویسی را جایگزین نمی‌کند، ولی دیکته صوتی را همان‌جایی که لازم است در دسترس قرار می‌دهد. کافی است مدل مناسب را انتخاب کنید، یک میانبر را فشار دهید و شروع به صحبت کنید. متن‌باز و رایگان بودن برنامه هم مزیت اضافه‌ای است.