Почти все советы про плохую точность диктовки на Mac — это один и тот же совет: говорите чётче, не бубните, купите микрофон получше. Он не то чтобы неверный, он бесполезный: одну проблему видят там, где их несколько, и у каждой своё решение. Человек, у которого Bluetooth-гарнитура тихо портит звук, и человек, чей распознаватель никогда не слышал фамилию коллеги, говорят одно и то же — «голос в текст постоянно путает слова», — и ни одному из них не поможет артикулировать усерднее.

Полезнее ставить диагноз по форме ошибки. То, что выходит неправильно, указывает на сломанный слой.

Что вы видите Обычно означает
Целые фразы искажены или пропали, на звонках хуже Микрофон переключился в режим Bluetooth-звонка
За столом нормально, в переговорке плохо Расстояние и реверберация
Одно конкретное имя или аббревиатура всегда неверны Нет пользовательского словаря
Термины неверны, обычная речь верна Потолок задаёт движок
Правдоподобные слова не на том языке Выбранный язык не совпадает с произнесённым
Слова верные, предложения нечитаемые Пунктуация и форматирование, а не распознавание
Диктовка останавливается сама Тайм-аут по тишине, а не точность

Если диктовка на Mac работает плохо, идите по списку сверху вниз. Первые два пункта объясняют большую часть случаев, и оба бесплатны.

1. Микрофон задаёт потолок

Ничто дальше по цепочке не исправит звук, который пришёл уже испорченным, а самая частая причина на Mac — беспроводная гарнитура.

Классический Bluetooth обязан переключиться с качественного профиля воспроизведения на профиль громкой связи в тот момент, когда приложение открывает микрофон. Микрофонный тракт в этом профиле моно и сильно сжат — узкая полоса на 8 кГц, широкая на 16 кГц, — и переключение слышно: музыка в ту же секунду превращается в кашу. Речевые модели работают со звуком 16 кГц, так что сжатый узкополосный сигнал — это действительно меньше материала. Это не провал конкретного бренда, а устройство самого профиля, и касается большинства Bluetooth-гарнитур.

Есть настоящее исключение, о котором стоит знать, потому что многие советы на эту тему устарели. Запись студийного качества от Apple охватывает AirPods 4, AirPods 4 с ANC и AirPods Pro 2 на macOS Tahoe 26 и работает на Mac, а не только на iPhone. По сравнению со старым поведением профиля звонка это заметный шаг вперёд. Она не включается везде автоматически: Apple перечисляет конкретные приложения и категории, которые её поддерживают, так что получит ли ваше приложение диктовки это качество, зависит от приложения.

Надёжное решение то же. Откройте настройки микрофона на Mac в Системные настройки → Звук → Вход и выберите встроенный микрофон в списке устройств — macOS называет его по модели, например «Микрофон MacBook Pro». Подключение гарнитуры переводит вход на неё, и об этом никто не предупреждает. В ноутбуках и iMac встроен массив из трёх микрофонов с направленным формированием луча, и для распознавания он обыгрывает большинство беспроводных гарнитур. Оставьте наушники для вывода, если хотите; просто пусть они не будут входом.

Если нужен микрофон для диктовки на Mac лучше встроенного, апгрейд — проводной USB-микрофон, а не более дорогой беспроводной. А если не уверены, что проблема в звуке, запишите тридцать секунд в «Диктофоне» с текущей настройкой и послушайте. Если вам звучит глухо и «из коробки», модели звучит ещё хуже.

2. Расстояние и реверберация, а не громкость

Второе, что убивает точность, — комната. Каждая твёрдая поверхность возвращает в микрофон задержанную копию вашего голоса, и это размывает акустические границы между словами — ровно ту информацию, по которой распознаватель их разделяет.

На практике: сидите в 20–30 см от микрофона, а не на расстоянии вытянутой руки, и уберите очевидные источники шума — вентилятор на столе, открытое окно на дорогу, механическую клавиатуру, по которой вы стучите во время речи.

Сильнее всего это бьёт на встречах, и там к реверберации добавляется второй эффект. Если вы на громкой связи, а не в наушниках, удалённый звук возвращается в ваш микрофон. Любое средство, транскрибирующее встречу локально, слышит их слова и на вашем канале и приписывает их вам. Наушники решают это полностью. Софт тоже умеет чистить постфактум — Vext сравнивает микрофонный и системный потоки по общим часам встречи и отбрасывает микрофонные реплики, которые в пределах двухсекундного окна повторяют уже записанное системным потоком, — но физическое решение всё равно лучше.

3. Движок — самый большой единичный скачок

Если звук чистый, а точность распознавания речи всё равно посредственная, вы упёрлись в потолок движка.

Встроенная диктовка Apple разработана, чтобы быть мгновенной, бесплатной и всегда доступной на машине, которая занята сотней других дел. Она сильно улучшилась, и для быстрого ответа её достаточно — где её хватает, а где заканчивается, мы разбирали подробно. Но это другой класс модели по сравнению с тем, что крутит специализированное приложение. Более тяжёлые локальные движки на Apple Silicon — Parakeet от NVIDIA, семейство Whisper — тратят больше вычислений на секунду звука и покупают этим точность.

Облачные API транскрипции — второй рычаг, и это реальный вариант, но тогда ваш звук покидает машину. Для звонков с клиентами, врачебных заметок, интервью и всего под NDA одного этого достаточно, чтобы их исключить, — а выигрыш в точности на чистом звуке обычно небольшой и заметен только на действительно трудных записях. На Mac с чипом M начинать стоит с локального.

Две вещи, прежде чем гнаться за размером модели:

  • На чистой речи разрыв между хорошими движками мал. Чистый звук плюс обычная лексика — и более крупная модель может не изменить почти ничего.
  • Разрыв растёт ровно там, где вам, скорее всего, тяжело: шум, акценты, жаргон, перекрывающиеся говорящие.

Так что проверяйте на своём трудном звуке, а не на бенчмарке. Продиктуйте абзац с терминами, которыми реально пользуетесь — названия продуктов, библиотек, аббревиатура, которую команда произносит сорок раз в день, — и сравнивайте на нём. Если нужна точка отсчёта до всяких изменений, наш тест точности диктовки оценивает прочитанный отрывок слово за словом прямо в браузере — отрывки с терминами и именами собственными быстрее всего показывают, какая категория у вас проседает.

4. Имена собственные — не проблема точности. Это проблема настройки

Этот пункт откладывают дольше всего, а он самый дешёвый.

Ни один движок не выдаст надёжно слово, о существовании которого не знает. Фамилия коллеги, название вашей компании, внутреннее кодовое имя, kubectl — они выходят неверно не потому, что распознавание плохое, а потому что модель выбирает самое вероятное известное слово, подходящее по звучанию. И будет делать это всегда. Говорить чётче не помогает: правильного написания просто не было среди кандидатов.

Apple здесь даёт мало. В самой диктовке пользовательского словаря нет. В «Управлении голосом» есть — на странице Apple сказано, что вы «можете добавлять слова и фразы — по отдельности или импортировав список», — но это отдельная функция универсального доступа для управления Mac голосом, доступная не на всех языках, а не словарь для диктовки в документ.

Специализированные приложения решают это списком словаря или замен. В Vext 1.3.0 правила — это пары «что выдал распознаватель / что он должен был выдать», которые применяются к сырому транскрипту, а затем попадают в промпт очистки как инструкция сохранить их, чтобы проход ИИ не перефразировал исправленное написание обратно. На движках, принимающих подсказку заранее (распознаватель Apple, Whisper-совместимые эндпоинты), термины дополнительно подаются до транскрипции. Этот шаг важнее, чем кажется: словарь, который чинит транскрипт, а потом позволяет языковой модели его переписать, не починил ничего.

Неделю записывайте каждое слово, которое правите вручную. Наберётся десять-пятнадцать записей, в основном имена, и этот список снимет большую часть оставшейся правки.

5. Языковые настройки и смешанная речь

Если получаются правдоподобные слова не на том языке или ваш второй язык рассыпается посреди фразы — это скорее настройка, чем провал модели.

Одноязычное распознавание предполагает один язык и декодирует соответственно, поэтому английское название продукта внутри русской фразы превратится в ближайшее похожее по звучанию русское. Чтобы сменить язык диктовки на Mac, откройте настройки клавиатуры, где живут языки диктовки: нажмите Изменить рядом с «Языки», чтобы добавить или убрать их, а когда включено больше одного, можно переключаться прямо во время диктовки через язык рядом с курсором. Приложения на многоязычных моделях обычно определяют язык сами, а не спрашивают.

Переключение языков внутри одной фразы — самый трудный случай для любого движка, и честный совет: занесите имена собственные в словарь, чтобы выжили хотя бы они.

6. Пунктуация и форматирование — это не распознавание

Транскрипт, где все слова верны, а целое — сплошной поток без знаков препинания, не является ошибкой точности. Распознавание сработало. Не хватает следующего прохода.

Пунктуацию можно диктовать голосом («запятая», «новый абзац»), а автопунктуация кое-что выводит из интонации — в коротких фразах надёжнее, чем в длинных. Лучший ответ — перестать делать это голосом: говорите естественно, а знаки препинания, заглавные буквы и слова-паразиты пусть разберёт проход очистки. На Apple Silicon этот проход может выполняться целиком на устройстве локальной моделью, так что приватности он не стоит ничего. Он же позволяет одному и тому же произнесённому абзацу выйти письмом, сообщением в чат или списком пунктов: переформатирование происходит после распознавания, а не во время.

7. «Лимит в 30 секунд», который не то, что вы читали

Стоит поправить, потому что это повторяют повсюду как жёсткий предел длительности диктовки. Документация Apple говорит обратное: «Вы можете диктовать текст любой длины без тайм-аута» и отдельно: «Диктовка останавливается автоматически, если речь не обнаружена в течение 30 секунд».

Это тайм-аут по тишине, а не ограничение длины. Сессия закрывается, когда вы полминуты молчали, — щедро, если диктуете подряд, и раздражающе, если вы говорите, потом долго думаете, потом снова говорите. Если это про вас, нужен push-to-talk (держать клавишу во время речи) или переключаемая горячая клавиша (нажал — начал, нажал — закончил), чтобы сессия заканчивалась по вашему решению, а не по таймеру. Оба сценария разобраны в руководстве по настройке голосовой транскрипции на Mac.

Чек-лист на 60 секунд

По порядку, от самого влиятельного:

  1. Системные настройки → Звук → Вход — явно выберите встроенный микрофон, а не подключённую Bluetooth-гарнитуру.
  2. Сядьте в 20–30 см от микрофона. Выключите вентилятор.
  3. На звонках надевайте наушники, чтобы удалённый звук не возвращался в ваш микрофон.
  4. Запишите 30 секунд в «Диктофоне» и послушайте. Если вам звучит плохо — чините это, прежде чем винить софт.
  5. Выпишите десять слов, которые правите чаще всего, и внесите их в пользовательский словарь.
  6. Проверьте язык диктовки и добавьте второй, если переключаетесь.
  7. Перестаньте диктовать пунктуацию; используйте проход очистки.
  8. Всё ещё слабо с терминами? Попробуйте другой движок на своём трудном звуке — сначала локальный, потому что облачный эндпоинт означает загрузку всего сказанного.

Шесть пунктов из восьми бесплатны и занимают меньше минуты.

Когда дело действительно в инструменте

Если вы прошли весь список и всё равно недостаточно — ограничение в инструменте: обычно потому, что в нём нет управления словарём, нет выбора движка и нет прохода очистки, то есть крутить больше нечего.

Именно для этого случая сделан Vext, и он идёт от приватности, а не прикручивает её потом: распознавание речи, очистка ИИ и транскрипция встреч выполняются на вашем Mac, так что ни звук, ни транскрипт его не покидают. Поверх этого — выбор движка (локально Parakeet или распознаватель Apple, плюс OpenAI-совместимый эндпоинт, если вы явно этого хотите), пользовательский словарь, переживающий проход ИИ, режимы диктовки, подгоняющие текст под адресата, и транскрипция встреч, которая решает проблему эха.

По умолчанию без облака, без аккаунта, без подписки и без закрытого уровня — $49 один раз, все функции включены.

brew install muvon/tap/vext

Но начните с микрофона. Это бесплатно, занимает десять секунд, и такому исправлению нужно больше людей, чем другому приложению.