Commander Flow: рік еволюції голосового введення

У червні 2025 мені дали білд, який падав що 40 хвилин і розпізнавав моє «привіт» як «при — е — и». Я був щасливий. Я розумів, що мацаю прототип того, чого на Windows не існувало — повністю офлайн voice-input із людським поліруванням. Сьогодні квітень 2026, і той самий ноутбук тягне Commander Flow у фоні цілодобово.

Це не історія продукту. Це історія того, як змінювалися мої звички в міру того, як змінювався продукт.

Літо 2025: я вчився терпіти Whisper-tiny

Перший білд використовував ggml-tiny (75 МБ). Розпізнавання було стерпне на чистій англійській, посереднє українською та катастрофічне на змішаній. Я диктував «деплой на staging» і отримував «деплой на стейдинґ». Полірування тоді не було взагалі — просто сирий ASR.

Що я робив? Я перебудував робочий процес під слабкі місця інструмента. Говорив короткими фразами. Уникав сленгу. Це було незручно, але все одно швидше за друк — і я вже сів на гачок.

«Коли будуєш свій інструмент, закохуєшся в ідею раніше, ніж код починає її чесно відображати.»

Осінь 2025: з'явилося полірування, і я перестав соромитися філерів

Я додав локальну LLM. Це був перелом. Я міг говорити «ну ось коротше я думаю що нам треба еее переробити ось цей модуль», і в текстовому полі з'являлося «Думаю, нам потрібно переробити цей модуль».

Саме в цей момент я перестав готувати мовлення. До цього я ніби внутрішньо форматував речення перед тим, як натиснути хоткей. Тепер — думка виходить як думка, інструмент сам відділяє лушпиння.

Зима 2025/2026: Parakeet, і я зрозумів, що таке «швидко»

У січні дефолтним ASR став Parakeet-TDT-0.6B-v3 через sherpa-onnx. На моєму CPU без відеокарти він швидший за Whisper-large у 5–10 разів. Латентність від відпускання хоткея до появи тексту впала з ~900 мс до ~140 мс.

140 мілісекунд — це менше, ніж я встигаю усвідомити паузу. Межа між «тиснеш хоткей» і «текст з'являється» у сприйнятті стирається. З цього моменту диктування перестало відчуватися як «команда інструменту»; це просто продовження думки.

Весна 2026: найновіший ШІ від Google і режими полірування

Зараз стандарт — найсвіжіша модель ШІ від Google. І головне — режими полірування. Я обираю стиль із трея або хоткеєм: business / friendly / minimal-edit / accountant / academic / code-comments.

Мій типовий понеділок:

• Уранці листи клієнтам — business
• У Slack команді — friendly
• Коментарі в коді — code-comments (зберігає терміни латиницею, не «лізе» в імена змінних)
• Увечері відповідь у батьківський чат — minimal-edit (просто чистить філери, не «причісує» інтонацію)

Ретроспектива: що змінилося в мені самому

Якщо перерахувати пунктами — буде нудно. Тому скажу так. За рік роботи з Commander Flow у мене змінилися три речі у поводженні з текстом, і жодну з них я заздалегідь не планував.

Перше — думки в моїх листах стали довші. Друк обрізає фразу до того, що фізично встигнеш набрати. Голос не квапить. Команда помітила, що мої звіти стали структурніші, раніше, ніж помітив я сам.

Друге — англійські листи перестали мене нервувати. Я диктую українською, прошу переписати в business English, отримую текст, який не відрізнити від носія. Це вже не окрема напруга, а просто наступний крок того ж диктування.

І третє, найдивніше: руки під кінець дня втомлюються менше. Я ніколи не вважав друк фізичною роботою, доки не перестав ним займатися.

Шорсткості, які я ловлю

Чесний список того, що мене регулярно чіпляє:

Полірування інколи «покращує» терміни, які покращувати не треба. Я кажу «kubectl apply», отримую «Kubernetes apply». Розв'язано через словник у налаштуваннях (PolishOptions.Dictionary) — додаєш свої терміни, і LLM їх не чіпає. Але перші тижні я цього не знав і дивувався.

Прогрів моделі на холодному старті. Перше диктування після завантаження Windows — помітно повільніше за наступні. Команда додала AudioDeviceWarmup (економить 40–80 мс), але KV-cache LLM усе одно треба прогріти. Лікується тим, що я просто говорю в мікрофон будь-яку фразу одразу після старту системи — як розминка.

Інколи хочеться hot-swap режимів усередині однієї фрази. Наприклад: «ділова частина, потім смішне P.S.». Цього поки немає. Команда каже, що думає в цей бік.

Що я б сказав самому собі рік тому

«Терпи. Те, що зараз виглядає як іграшка, через 10 місяців стане твоїм найвикористовуванішим застосунком після браузера. Веди щоденник. Це буде історія про те, як private AI на конкретному пристрої стає новою нормою.»

Альфа закінчилася. Бета майже закінчилася. Я більше не випускаю прототип — я відповідаю за продукт, яким користуються щодня.

І я цим дуже пишаюся.