Распознать речь оказалось проще, чем вставить текст в чужое окно Windows

habrahabr.ru · world

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

Read full article → Compare