Voicebox събира диктовка и AI глас на собствения компютър

Една бележка започва като гласов запис. След това трябва да стане четим текст, а понякога — и озвучен материал. Обикновено това означава да превключваш между инструменти. Voicebox предлага друга организация: входът и изходът на речта да са в едно локално приложение.

Проектът е с отворен код и MIT лиценз. Официалната документация описва диктовка, транскрипция, генериране на реч, гласови профили и редактор за аудио истории. Това не е новина за току-що пуснат продукт: провереното издание v0.5.0 е от април 2026 г. Поводът да го разгледаме е конкретната полезна комбинация, а не обещание за революция.

От гласова бележка до проверен текст

За диктовката Voicebox използва Whisper. Приложението може да запази оригиналния запис заедно с транскрипцията, така че да се върнеш към чутото, да редактираш текста или да повториш разпознаването с друг модел. Има и опционално локално езиково моделиране за почистване на пълнежни думи и самопоправки.

Това последно удобство заслужава внимание. Изгладеният текст не е непременно дословен запис. Имена, числа, отрицания и технически термини трябва да се преглеждат, особено преди изпращане на служебна бележка.

Разумен първи опит изглежда така:

1. Изтегли приложението за своята система и избери подходящ модел за разпознаване на реч. 2. Запиши кратка, неповерителна бележка, вместо веднага да подаваш цяла среща. 3. Сравни транскрипцията с аудиото и прецени дали автоматичното изглаждане ти помага. 4. Едва след това настрой клавишната комбинация и разрешенията за работа с други приложения.

Има готови инсталатори за macOS и Windows. За Linux README насочва към компилиране от изходния код. Описанията на автоматичното поставяне на текст не са напълно съгласувани: release notes описват Windows parity, докато README все още поставя Windows/Linux auto-paste в плановете. Затова не обещаваме еднакво поведение на всички системи.

Когато асистентът трябва да говори

Другата половина на Voicebox е генерирането на реч. Проектът поддържа няколко различни TTS двигателя и готови или собствени гласови профили. Възможностите и езиците зависят от избрания двигател, а не от един общ етикет „многоезичен“.

За хората, които използват AI агенти, има MCP интеграция. Документацията описва как Claude Code или Cursor могат да извикат локалния инструмент за реч и да съобщят резултат с избран глас. Това изисква настройка; не е обещание, че всяка инсталация автоматично ще започне да разговаря.

За първи опит е по-разумно да се използва готов глас или собствен запис. Публично достъпен глас на друг човек не означава разрешение да бъде клониран. Генерираният материал не бива да се представя като истинско изказване на този човек.

Безплатен софтуер, но не без изисквания

За локалните функции няма задължителен облачен voice абонамент. Трябва обаче да изтеглиш модели, да отделиш място на диска и да разполагаш с достатъчно памет. Документацията допуска работа на CPU, но предупреждава за по-ниска скорост. Не сме измервали производителността на обикновен лаптоп.

Локалната обработка също не е автоматична гаранция за цялата ти работна среда. Ако свържеш облачен AI агент, неговите заявки продължават да се подчиняват на собствените му настройки и условия. Лицензите на използваните модели и правата върху аудиото се проверяват отделно от MIT лиценза на приложението.

Българската диктовка и генерирането на българска реч не са тествани от нас. Не пренасяме обещанията от английски примери към български текст. Voicebox си струва да бъде запазен като инструмент за проба — с малък пример, проверка на резултата и ясна граница между удобство и доказано качество.

Продуктова визия: Voicebox / jamiepine. Официален материал, не наш тест; числата върху изображението са исторически.