В предыдущей статье (Рабочая память ИИ-агента: как вести задачи, ТЗ и решения в файлах проекта без ручного учёта) я рассказывал, как храню задачи, архитектурные решения и техзадания в файлах проекта, чтобы автономные ИИ-агенты (в частности, Claude Code) не теряли контекст между рабочими сессиями.

Но на практике возникло узкое горлышко: всё это нужно набивать руками.

Когда глубоко погружаешься в постановку задачи, монотонный набор текста быстро утомляет. Начинаешь машинально сокращать формулировки, выбрасывать важные пограничные условия и детали. А затем удивляешься, почему агент или коллега понял ТЗ не так, как задумывалось.

Решение лежало на поверхности — перестать набивать черновики вручную и начать их диктовать.

Так родилась Input Voice — небольшая утилита для Windows, которая распознаёт русскую и английскую речь на лету и сразу печатает её в то окно, где стоит курсор: будь то строка ввода в VS Code/1C:EDT, комментарий к коммиту, Блокнот, карточка в таск-трекере или корпоративный мессенджер. Без переключения в сторонние вкладки и без копирования через буфер обмена.

У программы два режима:

1. Прямой ввод потокового распознавания (как есть).
   
   Активный процесс диктовки (виджет поверх окон отображает активный микрофон и фрагмент распознаваемой фразы).
   
   
   Режим паузы (вызывается кликом по значку микрофона или автоматически после 30 секунд тишины)
    

2. AI-рефакторинг текста по горячей клавише — отправка надиктованного в LLM для чистки от слов-паразитов, расстановки пунктуации и форматирования в готовое сообщение.
   

Сразу оговорюсь: к платформе 1С программа напрямую не привязана. Это мой рабочий инструмент архитектора и разработчика для повседневной работы с текстом и кодом.
 

Почему не подошли штатные решения

В Windows есть встроенный голосовой ввод по сочетанию Win+H. Казалось бы, зачем изобретать велосипед?

Я честно пытался жить на нём на постоянной основе, но упёрся в проблемы стабильности:

• Панель диктовки регулярно не открывалась по шорткату.

• Распознавание периодически засыпало прямо на полуслове, из-за чего приходилось постоянно отвлекаться и проверять, «слышит» ли меня система.

• Качество распознавания русской речи по субъективным ощущениям заметно уступало алгоритмам Google.

Второй очевидный вариант — встроенный микрофон в десктопных клиентах Claude или ChatGPT. Распознают они прилично, но привязаны к конкретному интерфейсу. А диктовать нужно везде:

• в терминал Claude Code или поле ввода ассистента в VS Code и EDT;

• в комментарии к модулям;

• в описание тикета в Jira/YouTrack;

• в быстрый ответ коллеге в Telegram или почте.

Каждый раз переключаться на браузер, наговаривать текст, жать Ctrl+C и возвращаться назад — крайне не продуктивно.
 

Почему движком стал Chrome

Многие знают расширение Voice In для Chrome. Оно работает поверх нативного Web Speech API браузера. На мой взгляд, среди бесплатных решений оно точнее и быстрее всего переваривает русскую речь: текст начинает выводиться потоком прямо во время диктовки, а не через паузу после молчания.

Плюс к этому — не требуется регистрировать учетные записи и выпускать платные API-ключи для Яндекс SpeechKit, Azure или Google Cloud Speech. Нужен лишь установленный Chrome и стабильный интернет.

Оставалось вытащить этот механизм наружу и подружить с любым активным окном ОС.

Окно базовых настроек Input Voice: горячая клавиша вызова, язык, таймаут тишины и прозрачность окна.
 

Как это работает для пользователя

Программа живёт в системном трее и не захламляет панель задач:

1. Распаковываем папку с программой.

2. Запускаем InputVoice.exe.

3. Ставим курсор в любое текстовое поле.

4. Жмём Ctrl + Alt + Space и начинаем говорить.

5. Если нужно сделать паузу, жмём кнопку паузы в компактном плавающем виджете (повторный клик возобновляет поток).

6. Для остановки жмём шорткат повторно или закрываем мини-окно.

Текст появляется в поле ввода прямо во время речи. Окошко утилиты закреплено поверх всех окон, сохраняет свою позицию на экране, но не перехватывает фокус ввода.

Если замолчать на 30 секунд — запись автоматически станет на паузу. Все тайм-ауты, шорткаты и язык (русский / английский) настраиваются.
 

Режим AI-редактора: приводим мысли в порядок

Мы пишем совсем не так, как говорим. В устной речи неизбежны слова-паразиты («ну», «короче», «в общем»), самоповторы, брошенные на середине мысли.

ИИ-агенту это не мешает. Claude Code прекрасно понимает сырой поток мыслей — со всеми «э-э-э», повторами и оборванными фразами — и сам вытаскивает из него суть. Чем больше деталей я наговорю, тем лучше он поймёт задачу. Поэтому агенту я диктую как есть, без всякой обработки.

А вот людям так писать нельзя. Коллеге в Telegram, в почту, в комментарий к задаче сырой поток не отправишь — его неудобно читать. Для этого я и добавил второй этап — обработку через LLM.

Она опциональна и вызывается отдельным сочетанием клавиш. Модель получает сырой распознанный текст и выполняет роль редактора:

• убирает мусорные слова и дубли;

• расставляет точки, запятые и абзацы;

• исправляет специфические огрехи фонетического распознавания;

• строго сохраняет исходные факты и технические термины.

Для этого используются лаконичные системные промпты.

Вариант для обычных заметок и ТЗ:

«Ты редактор. Перепиши надиктованный текст понятным разговорным языком, без академичности. Сохрани смысл и все факты, ничего не добавляй и не выдумывай. Убери слова-паразиты и повторы, исправь очевидные ошибки распознавания речи. Верни только готовый текст, без пояснений».

Вариант для деловой переписки:

«Ты редактор. Перепиши надиктованный текст как короткое деловое сообщение коллеге: вежливо, по делу, без канцелярита. Сохрани смысл и все факты, ничего не добавляй. Убери слова-паразиты, междометия, повторы и оборванные фразы. Верни только готовый текст».

Режимы и защита от затирания

Вставка результата происходит единой операцией (через буфер с возвратом старого содержимого), поэтому при неудачном ответе модели всегда можно нажать Ctrl + Z.

Предусмотрена защита от гонки состояний: если пока LLM генерировала ответ (это занимает от 7 до 25 секунд), вы переключили окно или руками изменили текст в целевом поле — утилита отменяет прямую вставку, кладёт результат в буфер обмена и выводит уведомление. Лимит одного запроса — 6000 символов.
 

Поддерживаемые бэкенды для редактирования

Архитектурные нюансы реализации

Самые интересные грабли обнаружились не в общении с LLM, а в механике эмуляции клавиатуры и удержании сессии браузера.

1. Как удержать Web Speech API в фоне

Для работы Web Speech API необходим запущенный Chrome. Input Voice поднимает изолированный инстанс браузера со своей служебной HTML-страницей. Общение программы с этой страницей идёт по локальному HTTP-серверу (127.0.0.1) на случайном порту с валидацией через одноразовый токен.

Первой мыслью было запустить Chrome в режиме --headless. Однако в headless-режиме доступ к микрофону и Web Speech API заблокирован на уровне движка Chromium.

Пришлось запускать обычный оконный Chrome, но с координатами далеко за пределами видимой области экрана (off-screen). Если просто свернуть или скрыть окно через WinAPI, Chromium определяет вкладку как неактивную и через некоторое время глушит распознавание в целях экономии ресурсов. С заэкранным окном таких проблем нет: промежуточные результаты приходят каждые 100–300 мс.

2. Капризы SendInput и Блокнота Windows 11

Для печати текста в чужое окно используется Windows API функция SendInput с флагом KEYEVENTF_UNICODE через Node.js FFI-библиотеку koffi. Буфер обмена при потоковой диктовке не задействуется — идут честные виртуальные нажатия.

И вот тут начались сюрпризы: современный UWP/XAML-Блокнот в Windows 11 напрочь захлёбывался быстрым потоковым вводом.

Честная посимвольная печать (нажать → пауза → отпустить → пауза) ограничила максимальную скорость ввода примерно на уровне 30–32 знаков в секунду из-за накладных расходов планировщика Windows. Но для скорости живой диктовки этого запаса хватает с головой. Чтобы интерфейс утилиты не замирал во время печати, вывод вынесен в отдельный worker-поток Node.js.

3. Алгоритм диффа промежуточных результатов

Движок Web Speech возвращает поток промежуточных гипотез (interim results), которые постоянно мутируют в процессе того, как браузер дослушивает контекст фразы:

1. "раз"
2. "1 2"
3. "раз два"
4. "1 2 3"

Если просто «вбивать» всё, что возвращает API — получится каша.

Программа сопоставляет последний и текущий промежуточный результат, находит стабильный общий префикс, а последнее слово держит в уме до подтверждения. В окно печатается только инкрементальная разница. Когда от API приходит флаг isFinal, программа сверяет фактически напечатанное с финальным текстом и, если движок в последний момент изменил падеж или слово, подчищает хвост через серии виртуальных Backspace.
 

Стек и компромиссы

Программа собрана на Electron, JS и библиотеке koffi (быстрый FFI для системных вызовов user32/kernel32).

Выбор пал на Electron сугубо из-за скорости прототипирования: настроенное Node.js-окружение уже было под рукой. Расплачиваться за это пришлось весом дистрибутива: папка «как есть» весит порядка 335 МБ (сам исполняемый файл — 234 МБ). Переписав обёртку на чистый C#/.NET или Go/Rust, размер можно ужать до пары мегабайт, но зависимость от установленного в системе Chrome всё равно останется базовой.
 

Текущие ограничения и приватность

Инструмент создавался для решения конкретной личной боли и пока находится в статусе «as is»:

• Маршрут данных: Звук с микрофона уходит на серверы Google (это особенность Web Speech API, офлайн-режима тут нет). При вызове AI-редактирования текст фрагмента уходит в OpenAI или Anthropic (в зависимости от выбранного CLI-клиента). Если вы работаете с NDA, паролями или персональными данными — диктовать их через облачный движок нельзя.

• SmartScreen: Бинарник пока без платного сертификата подписи кода, поэтому защитник Windows при первом старте ожидаемо предупреждает о неизвестном источнике.

• Права: Если вы пытаетесь печатать в окно программы, запущенной «От имени Администратора», Input Voice тоже должен быть запущен с повышенными привилегиями (стандартное ограничение UIPI в Windows).

• Знаки препинания: Голосовые команды вроде «новая строка» или «точка» пока не закладывались — эту работу я полностью переложил на шорткат LLM-редактора.
   

Итоги

Input Voice закрыл для меня проблему ручного ввода и усталости пальцев при составлении объемных задач и обсуждений. Теперь можно на одном дыхании наговорить поток мыслей и сразу скормить его Claude Code, либо нажать горячую клавишу и получить структурированный связный текст.

Мои готовые решения для 1С (маркировка, токены, ТСД и т.д.):

Маркировка в "древней" УТ 10.3 (10.3.6.8) и полноценный ТСД (Online) или как обойтись без перехода на УТ 11.5

Как подключить маркировку в древней УТ 10.3 без перехода на УТ 11.5 - все необходимые объекты, модули и доработки

Автоматическое обновление токенов Честного Знака в 1С

Автоматическое обновление токенов Честного Знака в 1С - готовое решение для УТ, КА, ERP, УНФ, Розницы и Бухгалтерии, которое избавляет от ручных обновлений и остановки процессов.

Дубликатор кодов маркировки (КИЗ) DataMatrix: Расширение 1С с проверкой в Честном Знаке (копирует ЛЮБЫЕ КИЗы!)

Автоматическое обновление токенов Честного Знака в 1С - готовое решение для УТ, КА, ERP, УНФ, Розницы и Бухгалтерии, которое избавляет от ручных обновлений и остановки процессов.

Маркировка остатков товаров на складе: Как сделать все быстро и без ошибок (мой практический опыт)

Маркировка остатков 10 000+ товаров без ошибок — готовое решение, которое исключает человеческий фактор, автоматизирует процесс и работает напрямую с 1С. Пошаговый опыт и готовое расширение внутри.

Маркировка остатков в распределенной рознице: Как промаркировать более 100 тыс. товаров в нескольких десятках магазинов без хаоса и ошибок

Маркировка остатков 100 000+ товаров в рознице без хаоса и ошибок — клиент-серверное решение, где сканируешь ШК в магазине и сразу получаешь КМ на принтере, независимо от кассового ПО. Практический опыт, регламент и готовый комплект кода внутри.