Commander Flow: vuosi puheentunnistuksen evoluutiota

Kesäkuussa 2025 sain käsiini buildin, joka kaatui 40 minuutin välein ja tunnisti ”hei”-sanani muodossa ”he – e – ei”. Olin onnellinen. Tajusin tunnustelevani prototyyppiä siitä, mitä Windowsille ei ollut olemassa – täysin offline-puheentunnistusta inhimillisellä viimeistelyllä. Nyt on huhtikuu 2026, ja sama kannettava jaksaa Commander Flow’ta taustalla vuorokausia.

Tämä ei ole tuotteen historia. Tämä on tarina siitä, miten tottumukseni muuttuivat sitä mukaa kuin tuote muuttui.

Kesä 2025: opettelin kärsivällisyyttä Whisper-tinyn kanssa

Ensimmäinen build käytti ggml-tinyä (75 Mt). Tunnistus oli kelvollinen puhtaalla englannilla, keskinkertainen suomella ja katastrofaalinen sekoitetussa puheessa. Sanelin ”deploy stagingiin” ja sain ”deploy steiding”. Viimeistelyä ei silloin ollut lainkaan – pelkkä raaka ASR.

Mitä tein? Rakensin työnkulun työkalun heikkouksien ympärille. Puhuin lyhyitä lauseita. Vältin slangia. Se oli epämukavaa, mutta silti nopeampaa kuin kirjoittaminen – ja olin jo koukussa.

”Kun rakennat omaa työkaluasi, rakastut ideaan ennen kuin koodi alkaa rehellisesti heijastaa sitä.”

Syksy 2025: viimeistely tuli ja lakkasin häpeämästä täytesanoja

Lisäsin paikallisen kielimallin. Se oli käännekohta. Saatoin sanoa ”no siis lyhyesti mä ajattelen että meidän pitäs ööh tehdä toi moduuli uusiks”, ja tekstikenttään ilmestyi ”Mielestäni tämä moduuli pitäisi tehdä uudelleen”.

Juuri silloin lakkasin valmistelemasta puhetta. Sitä ennen muotoilin lausetta sisäisesti ennen pikanäppäimen painamista. Nyt – ajatus tulee ulos ajatuksena, työkalu erottelee kuoret itse.

Talvi 2025/2026: Parakeet ja tajusin, mitä ”nopea” tarkoittaa

Tammikuussa tein oletus-ASR:ksi Parakeet-TDT-0.6B-v3:n sherpa-onnxin kautta. Tavallisella suorittimella ilman näytönohjainta se osoittautui 5–10 kertaa nopeammaksi kuin Whisper-large. Viive pikanäppäimen vapautuksesta tekstin ilmestymiseen putosi ~900 ms:stä ~140 ms:iin.

140 millisekuntia on vähemmän kuin ehdin tajuta tauon. Raja ”painat pikanäppäintä” ja ”teksti ilmestyy” -välillä häviää havainnosta. Tästä lähtien sanelu lakkasi tuntumasta ”komennolta työkalulle”; se on yksinkertaisesti ajatuksen jatkumoa.

Kevät 2026: uusin Googlen tekoäly ja viimeistelytilat

Nyt vakio on uusin Googlen tekoälymalli. Ja tärkein – viimeistelytilat. Valitsen tyylin tehtäväpalkista tai pikanäppäimellä: business / friendly / minimal-edit / accountant / academic / code-comments.

Tyypillinen maanantaini:

• Aamulla asiakaskirjeet — business
• Slackissä tiimille — friendly
• Koodikommentit — code-comments (säilyttää termit latinalaisilla kirjaimilla, ei ”paranna” muuttujanimiä)
• Illalla vastaus vanhempainchattiin — minimal-edit (vain puhdistaa täytesanat, ei ”siloita” intonaatiota)

Retrospektiivi: mikä minussa muuttui

Jos lueteltaisiin kohdittain – tulisi tylsää. Sanon siksi näin. Vuoden Commander Flow’n käytön aikana minussa muuttui kolme asiaa tekstinkäsittelyssä, eikä yhtäkään niistä etukäteen suunniteltu.

Ensinnäkin – ajatukset sähköposteissani pitenivät. Kirjoittaminen leikkaa lauseen siihen pituuteen, jonka fyysisesti ehtii naputella. Ääni ei kiirehdi. Testaajat huomasivat, että raporttini muuttuivat rakenteellisemmiksi, ennen kuin huomasin sitä itse.

Toiseksi – englanninkieliset sähköpostit lakkasivat hermostuttamasta. Sanelen suomeksi, pyydän kirjoittamaan business Englishiksi, saan tekstin, jota ei erota äidinkielen puhujasta. Tämä ei ole enää erillinen jännite, vaan sanelun seuraava askel.

Ja kolmas, oudoin: kädet väsyvät päivän loppuun mennessä vähemmän. En koskaan pitänyt kirjoittamista fyysisenä työnä, kunnes lopetin sen tekemisen.

Karkeudet, joihin törmään

Rehellinen lista siitä, mikä säännöllisesti pistää silmään:

Viimeistely toisinaan ”parantaa” termejä, joita ei pitäisi parantaa. Sanon ”kubectl apply”, saan ”Kubernetes apply”. Ratkaistu sanaston kautta asetuksissa (PolishOptions.Dictionary) – lisäät omat termit, eikä kielimalli kosketa niitä. Ensimmäisten viikkojen aikana en kuitenkaan tiennyt tästä ja ihmettelin.

Mallin lämmittely kylmäkäynnistyksen jälkeen. Ensimmäinen sanelu Windowsin käynnistyksen jälkeen on selvästi hitaampi kuin seuraavat. Lisäsin AudioDeviceWarmupin (säästää 40–80 ms), mutta kielimallin KV-välimuisti pitää silti lämmittää. Hoidan asian sanomalla mikrofoniin minkä tahansa lauseen heti järjestelmän käynnistyksen jälkeen – kuin alkulämmittely.

Joskus haluaisi vaihtaa tilaa kesken lauseen. Esimerkiksi: ”asiallinen alku, sitten hauska P.S.”. Tätä ei vielä ole – mutta suunta miellyttää, ja pidän sen mielessäni.

Mitä sanoisin itselleni vuosi sitten

”Kärsi. Mikä nyt näyttää lelulta, on 10 kuukauden päästä eniten käyttämäsi sovellus selaimen jälkeen. Pidä päiväkirjaa. Tästä tulee tarina siitä, miten yksityinen AI omalla laitteella muuttuu uudeksi normaaliksi.”

Alfa on päättynyt. Beta on melkein päättynyt. En enää toimita prototyyppiä — olen vastuussa tuotteesta, jota käytetään päivittäin.

Ja olen siitä todella ylpeä.