Unha nova forma de introducir texto

Ao longo da historia moderna, o teclado foi a nosa forma principal de comunicarnos coas máquinas. Escribimos comandos, código, mensaxes. Pero a medida que a IA se converte nun colaborador e non só nunha ferramenta, a cantidade de contexto que necesitamos transmitir explotou. O teclado xa non é suficiente.

A tecnoloxía de voz a texto alcanzou un punto de inflexión. Falar é agora un método de entrada viable — non unha novidade, senón unha alternativa xenuína a escribir. Este é un cambio de paradigma na forma en que os humanos interactúan cos ordenadores.

Como aprender a escribir nun teclado QWERTY, a entrada por voz require práctica. Pero a curva de aprendizaxe é moito máis curta e as ganancias de produtividade moito maiores. Queremos ofrecer non só unha ferramenta, senón unha nova experiencia — unha que cambie como pensas sobre a entrada en si mesma.

A maioría das ferramentas de voz a texto constrúense nos EUA, optimizadas para inglés. Funcionan bastante ben para falantes de inglés, pero a calidade cae drasticamente para outros idiomas. Cando os idiomas se mesturan — xaponés con termos técnicos en inglés, vietnamita con fragmentos de código — as ferramentas existentes adoitan fallar completamente.

O desenvolvedor principal de koedesk é xaponés, traballando desde Vietnam. Esta experiencia directa de usar entrada por voz a través de idiomas e acentos moldou cada decisión de deseño. Notamos o que outros pasaron por alto: a fenda de precisión entre o inglés e o resto do mundo.

Por iso recomendamos ElevenLabs Scribe v2 como modelo predeterminado. Ofrece unha precisión consistentemente alta en todos os idiomas — non só inglés e xaponés, senón tamén vietnamita, indonesio, español e ducias máis. koedesk é actualmente unha das poucas aplicacións de escritorio que ofrece integración con Scribe v2.

koedesk é intencionalmente simple. Preme unha tecla, fala, solta. As túas palabras aparecen onde está o teu cursor. Sen pasos adicionais, sen configuración necesaria para comezar.

Internamente, estamos obsesionados co rendemento. A aplicación está construída en Rust — a mesma linguaxe usada para motores de navegador e sistemas operativos. A detección de actividade de voz, captura de audio e inicio de transcrición están todos optimizados para latencia mínima. Cando deixas de falar, o texto aparece case instantaneamente.

A maioría das ferramentas competidoras usan un proceso de dous pasos: un modelo de voz a texto para a transcrición bruta, seguido dun LLM lixeiro para limpar muletillas, corrixir gramática e reformatear a saída. Nós tomamos un enfoque diferente. Scribe v2 é suficientemente preciso como para que o post-procesamento LLM sexa innecesario. Confiamos directamente na saída do modelo.

Esta é unha elección deliberada. A medida que os modelos de voz a texto continúan mellorando, a necesidade de post-procesamento LLM desaparecerá. Ao manter a nosa arquitectura simple, koedesk benefíciase directamente de cada mellora nos modelos subxacentes — sen capas de complexidade intermedias.

Guide Inc. é unha empresa de desenvolvemento de software con sede en Toquio, Xapón, cunha oficina de desenvolvemento na Cidade Ho Chi Minh, Vietnam. Fundada en 2021, especializámonos en tecnoloxía financeira — construíndo plataformas de negociación e aplicacións móbiles para grandes institucións financeiras xaponesas.

koedesk naceu do noso traballo diario. Como desenvolvedores que constrúen sistemas financeiros complexos, necesitabamos unha forma máis rápida de comunicarnos con asistentes de codificación IA, escribir documentación e compoñer mensaxes — sen quitar as mans do fluxo do teclado. Construímos a ferramenta que desexabamos que existise e decidimos compartila co mundo.