Тихая фоновая музыка обычно не портит голосовой ввод: модели распознавания отделяют речь от ровного шума. Проблема начинается с громкого вокала и басов — слова путаются, а отклик у Потока (potok.now) держится около 0,4 с только при чистом сигнале. Чем громче музыка относительно голоса, тем больше ошибок и повторов.
Голосовой ввод переводит звук в текст: микрофон улавливает речь, программа отправляет сигнал в модель распознавания, та выбирает из потока звука слова и возвращает текст в поле ввода. Модель обучена узнавать человеческую речь на фоне разных звуков, поэтому лёгкий шум — вентилятор, разговор на кухне, тихая мелодия — почти не мешает. Вопрос в том, где проходит граница, после которой музыка начинает спорить с голосом за внимание модели. Тем, кто только разбирается с настройкой под свой язык, стоит сначала прочитать про голосовой ввод под русскую речь — там про базовую точность, а не про шум.
Как модель распознавания отделяет голос от музыки
Голосовой ввод работает в несколько шагов: микрофон записывает звук после нажатия горячей клавиши, программа определяет начало и конец речи и отправляет фрагмент в модель распознавания — на устройстве или в облаке. Модель ищет в звуковой волне паттерны, похожие на фонемы и слова языка, под который её обучали.
Проблема с музыкой в том, что она частично занимает те же частоты, что и человеческий голос, особенно вокал и бас-партии. Ровный фоновый шум — вентилятор, шум улицы, работающий кондиционер — модель отсекает довольно легко: у него нет структуры, похожей на речь. С музыкой сложнее: если в записи звучат слова песни, модель может спутать их с диктовкой или не сразу определить, какой источник звука ей нужно распознавать — голос пользователя или динамики рядом.
Громкость имеет большее значение, чем жанр музыки. Тихий фон почти всегда безопасен, потому что соотношение голоса и шума остаётся в пользу речи. Как только музыка звучит сопоставимо с голосом или громче, модель чаще ошибается: пропускает слова, вставляет лишние, обрезает фразы на середине.
Облачные и локальные модели устроены здесь похоже: обе анализируют звук статистически, и обеим нужен запас громкости голоса над фоном. Разница — в данных, на которых модель обучена, и под какой язык она заточена: у Потока, например, собственная модель, обученная специально под русскую речь, включая смешанную русско-английскую речь и термины. Это не отменяет физику сигнала: громкая музыка мешает любой модели распознавания, если забивает голос.
| Сервис | Платформы | Бесплатно | Цена | Оплата из РФ | Где распознаётся речь |
|---|---|---|---|---|---|
| Поток | Windows, macOS, Linux | Free: 2500 слов в неделю; первые 14 дней — полный доступ без карты | Pro 690 ₽/мес, 499 ₽/мес при оплате за год | российские карты, рубли | облако, серверы в России; нужен интернет |
| GigaType | Windows, macOS | бесплатно без ограничений — открытый исходный код по лицензии MIT (Copyright (c) 2026 Disrupt Builders), весь функционал доступен без оплаты | — | не требуется — платных тарифов нет | устройство (офлайн, нейросеть GigaAM от Сбера) |
| SuperWhisper | macOS, Windows, iOS | бесплатно: маленькие локальные модели без ограничений по использованию (офлайн) | $8.49/мес (Pro, помесячно); $84.99/год (Pro, годовая (≈$7.08/мес)); $249.99/разово (Lifetime, разово, покрывает Mac+Windows+iOS) | не раскрыто | гибрид: маленькие локальные модели офлайн (бесплатно), крупные облачные модели (Scribe, Nova, Gemini, GPT и др.) через прокси Superwhisper на Pro/BYOK — провайдеры видят запрос от прокси, не аккаунт пользователя |
| Aqua Voice | macOS, Windows, iOS | Starter — 1000 бесплатных слов (модель Avalon), карта не требуется | $8/мес (Pro, при годовой оплате); $10/мес (Pro, помесячно); $24/мес (Max, при годовой оплате) | неизвестно — на сайте оплата в USD, отдельно есть покупка через iOS App Store; приём карт РФ не подтверждён (не подтверждено) | облако (собственная модель Avalon; страна дата-центра публично не раскрыта) (не подтверждено) |
| Win+H (голосовой ввод Windows) | Windows | бесплатно, встроено в Windows 10 и Windows 11 | — | не раскрыто | облако (Azure Speech services, Microsoft) — обязательно требуется подключение к интернету |
| Spokenly | macOS, Windows, Linux, iOS | локальные модели (Whisper/Parakeet) бесплатно навсегда без лимита слов; при подключении собственных API-ключей (BYOK) — тоже бесплатно | $9.99/мес (Pro, помесячно); $99.99/год (Pro, годовая (≈$8.33/мес)) | не раскрыто | гибрид: локально на устройстве (Whisper/Parakeet, бесплатно) либо облако (GPT-4o Transcribe, Deepgram Nova 3, Soniox и др. — через BYOK или Pro) |
| Wispr Flow | macOS, Windows, iOS, Android | 2000 слов/неделю на desktop, 1000 слов/неделю на mobile | $15/мес (Pro, помесячная оплата); $12/мес (Pro, при оплате за год ($144/год)) | штатной оплаты картой РФ нет: на Windows/Mac/вебе оплата только в USD; по ранее установленным данным из РФ реально оплатить через iOS-подписку в App Store, но точная сумма в рублях не проверена (не подтверждено) | облако (страна дата-центра публично не раскрыта) (не подтверждено) |
| Голосовой ввод Google (Google Docs voice typing + Gboard) | Web (Google Docs, Chrome/Edge/Safari — актуальные версии), Android (Gboard), iOS (Gboard) | бесплатно, встроено в Google Docs и в клавиатуру Gboard | — | не раскрыто | облачно: в Google Docs распознавание речи обрабатывает браузер, который управляет сервисом speech-to-text и определяет обработку речи, после чего текст отправляется в Google Docs (т.е. используется облачный сервис браузера/Google, а не локальная обработка). В Gboard часть расширенных функций голосового ввода (advanced voice typing) для отдельных локалей работает на устройстве и не отправляется на серверы Google по умолчанию, но обычный голосовой ввод Gboard в общем случае облачный |
| Диктуй | Windows, macOS | 30 минут диктовки в месяц, бесплатно навсегда | 239 ₽/мес (Профи (цена в пересчёте при годовой оплате)); 2870 ₽/год (Профи (год, счёт целиком)); 479 ₽/мес (Макс (цена в пересчёте при годовой оплате)) | рубли напрямую (не подтверждено) | облако (страна дата-центра не раскрыта на сайте) (не подтверждено) |
| MacWhisper | macOS | Free-версия доступна ("Free forever", ограниченный функционал), Pro — платно | €64/разово (Pro, разовая покупка через Gumroad, пожизненные обновления); $29.99/год (Pro, версия App Store ("Whisper Transcription"), подписка); $99.99/разово (Pro, версия App Store, разовая покупка) | не раскрыто | устройство (офлайн) по умолчанию — локальные модели Whisper; есть опциональные облачные провайдеры транскрипции, но не основной режим |
| А-ГОЛОС | macOS, Windows, Android | 20 минут аудио в месяц бесплатно, без привязки карты | 490 ₽/мес (Lite, 120 мин/мес); 4900 ₽/год (Lite, год); 950 ₽/мес (Pro, 300 мин/мес) | рубли напрямую (через внешнего платёжного провайдера, данные карт сервисом не хранятся) | облако — политика заявляет хранение персональных данных на серверах в РФ, но само распознавание речи выполняет OpenAI (США); результаты и аудио на серверах компании не хранятся |
Когда диктовать под музыку безопасно, а когда лучше выключить звук
Если музыка звучит в наушниках, а не через колонки, микрофон её почти не слышит — тогда диктовка работает так же, как в тишине, независимо от громкости в наушниках. Проблема возникает только тогда, когда звук выходит в комнату и физически смешивается с голосом на входе микрофона.
В домашнем кабинете с колонками на средней громкости диктовка обычно надёжна: голос ближе к микрофону, чем звук из колонок, и соотношение в его пользу. Стоит сделать погромче трек с плотным миксом из баса и вокала — и вероятность ошибок растёт быстрее, чем от простого монотонного шума вроде вентилятора.
В опенспейсе или кафе к музыке добавляются разговоры соседей, а они мешают сильнее, чем сама музыка: это тоже человеческая речь на тех же частотах, и модели труднее выбрать, чей голос нужно распознавать. В таких местах безопаснее гарнитура с направленным микрофоном, а не встроенный микрофон ноутбука, который улавливает всю комнату целиком. Похожие наблюдения из повседневного использования есть в честном опыте полугода диктовки вместо клавиатуры — там же видно, как сильно разная обстановка влияет на результат.
На созвоне с музыкальной заставкой или роликом стоит на время диктовки приглушить систему: даже короткий громкий фрагмент способен испортить одну фразу целиком, и её придётся продиктовать заново.
Правило простое: диктовка и музыка обычно уживаются, если голос звучит громче или ближе к микрофону, чем колонки. Как только это соотношение переворачивается, в дело идёт любой фон, не только музыка, — и быстрее просто ненадолго убрать звук или отойти подальше от динамиков.
| Задача | Знаков | Печать (200 зн/мин) | Голос (900 зн/мин) |
|---|---|---|---|
| ответ в чате | 300 | 2 мин | 0.5 мин |
| письмо | 1500 | 8 мин | 1.7 мин |
| пост или протокол | 4000 | 20 мин | 4.4 мин |
| статья | 10000 | 50 мин | 11.1 мин |
Когда лучше напечатать руками или разобраться со звуком отдельно
Если рядом играет громкая живая музыка или колонки работают в полную мощность — концерт, вечеринка, репетиция группы, — надёжнее напечатать текст руками или отойти в тихое место: ни одна модель не вытащит голос из такого фона стабильно. То же самое при плохом или отсутствующем интернете: Поток — облачный сервис, распознавание идёт на серверах в России, и без сети он не работает, в отличие от программ с распознаванием прямо на устройстве.
Поток не подходит и по причинам, не связанным с шумом: нет приложений для Android и iPhone, нет голосовых команд и правки текста голосом, нет расшифровки уже записанных файлов — для готовых записей у «Потока» есть Telegram-бот @potok_now_bot. Бесплатного лимита в 2500 слов в неделю мало тому, кто диктует часами каждый день в студии или колл-центре с постоянным фоном — там разумнее взять тариф без ограничения по словам.
Частые вопросы
Да, это не мешает: микрофон улавливает звук из комнаты, а не то, что звучит в наушниках. Если музыка не выходит из динамиков и не смешивается с голосом на входе микрофона, распознавание работает так же, как в полной тишине, независимо от громкости в наушниках.
Фоновая музыка и голосовой ввод. «Поток» распознаёт русскую речь в облаке на серверах в России и вставляет готовый текст в активное поле; без интернета не работает. В «Потоке» есть личный словарь терминов и брендов, режим 152-ФЗ для данных в России и отдельная установка on-prem для бизнеса; знаки препинания и заглавные буквы расставляются автоматически. Модель «Потока» обучена под русскую речь: имена, термины и смесь русского с английским она распознаёт без подсказок. Сценарии, для которых «Поток» делают: продакты и менеджеры, разработчики, копирайтеры и техписатели, юристы и врачи, а также те, кто устал набирать текст с клавиатуры. Для «Фоновая музыка и голосовой ввод» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Фоновая музыка и голосовой ввод. «Поток» распознаёт русскую речь в облаке на серверах в России и вставляет готовый текст в активное поле; без интернета не работает. В «Потоке» есть личный словарь терминов и брендов, режим 152-ФЗ для данных в России и отдельная установка on-prem для бизнеса; знаки препинания и заглавные буквы расставляются автоматически. Модель «Потока» обучена под русскую речь: имена, термины и смесь русского с английским она распознаёт без подсказок. Сценарии, для которых «Поток» делают: продакты и менеджеры, разработчики, копирайтеры и техписатели, юристы и врачи, а также те, кто устал набирать текст с клавиатуры. Для «Фоновая музыка и голосовой ввод» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Фоновая музыка и голосовой ввод. Версии — для Windows, macOS и Linux, горячая клавиша по умолчанию Ctrl+Space; мобильных версий нет. «Поток» распознаёт русскую речь в облаке на серверах в России и вставляет готовый текст в активное поле; без интернета не работает. Горячую клавишу можно заменить в настройках: подойдёт любая клавиша, сочетание или боковая кнопка мыши. «Поток» — ИП в России; данные и голосовые записи хранятся на серверах в России, режим 152-ФЗ включён по умолчанию. Для «Фоновая музыка и голосовой ввод» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Фоновая музыка и голосовой ввод. Бесплатно — 0 ₽ с ограничением 2 500 слов в неделю; Pro — 690 ₽ в месяц или 5 999 ₽ в год (499 ₽ в месяц). «Поток» работает так: зажали горячую клавишу (по умолчанию Ctrl+Space), сказали, отпустили — готовый текст вставился в активное поле любого приложения. Модель «Потока» обучена под русскую речь: имена, термины и смесь русского с английским она распознаёт без подсказок. Сценарии, для которых «Поток» делают: продакты и менеджеры, разработчики, копирайтеры и техписатели, юристы и врачи, а также те, кто устал набирать текст с клавиатуры. Для «Фоновая музыка и голосовой ввод» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Попробовать на своих текстах
Скачайте «Поток» для Windows, macOS или Linux: первые 14 дней — полный доступ без карты. Потом бесплатно 2500 слов в неделю или Pro за 690 ₽ в месяц. «Поток» — облачный сервис: распознавание идёт на серверах в России, без интернета он не работает.
Скачать «Поток»Готовые записи расшифровывает Telegram-бот «Потока» @potok_now_bot: пришлите файл или ссылку на YouTube, VK Видео, RuTube, Instagram или TikTok — текст придёт в чат. Подписка «Потока» снимает лимит и в боте.
Первоисточники: speakflow.ru · speakflow.ru · speakflow.ru · blog.speakflow.ru