Сколько раз я сказал «короче»: русский голосовой ввод для Mac, который работает без интернета

После Качалки, «Чисто» и Кружка — программа для Mac. Я много пишу голосом и хотел одну клавишу: нажал, сказал, и текст появился там, где курсор, в любой программе.

Самый известный вариант — Wispr Flow: $15 в месяц или $12 при оплате за год, бесплатно 2 000 слов в неделю. В их FAQ сказано прямо: «Transcription always happens in the cloud». Есть и бесплатные без облака. Handy — открытый код, много языков. По-русски — Говорун: тоже бесплатный и открытый, на той же модели, что у меня, и умеет больше — Android, Windows, синхронизация.

Мне хотелось проще: только Mac, одна клавиша, без аккаунтов и без облачных функций даже по желанию. Писать с нуля не стал — взял Handy и сделал из него программу для одного языка. Так появился Tolkovo («Толково»). Бесплатно, без регистрации, код открыт. Интернет нужен один раз — скачать модель.

Что умеет и что здесь моё

Запись, распознавание и вставка текста — это Handy, автор CJ Pais. Приложение на Tauri: ядро на Rust, интерфейс на React в системном WebView, не Electron. Handy — это около 29 тысяч строк на Rust. Моих поверх — примерно 2 200 строк на Rust и 3 100 на TypeScript и CSS:

• ⌥ Space. Коротко нажал — запись пошла, нажал ещё раз — остановилась. Зажал — пишет, пока держишь. Сочетание меняется в настройках.

• Одна модель, без выбора. GigaAM v3 от SberDevices — открытая русская модель, сама ставит знаки препинания. В каталоге Handy она тоже есть, среди 69 моделей. Я выбрал её за пользователя: качается сама при первом запуске, списков и мегабайт человек не видит.

• Пилюля вместо стандартного окна записи Handy. Висит поверх всех окон, перетаскивается, клик — старт или стоп.

• Строка меню вместо Dock, запуск вместе с Маком.

• Словарь англицизмов: 191 замена из коробки плюс свои.

• Статистика: слова, диктовки, слова-паразиты, частые слова, «Итоги месяца» картинкой 1080×1920. «Сэкономленное время» — оценка по формуле: слова ÷ 40 в минуту (печать) минус слова ÷ 130 в минуту (речь). Скорость речи программа не измеряет.

• Интерфейс полностью на русском.

Цифры

MacBook Pro M2, 8 ГБ памяти, версия 0.2.0, данные из лога программы за неделю обычной работы:

• DMG — 20,7 МБ, программа после установки — 42 МБ.

• Модель GigaAM v3 E2E-RNN-T — 223 млн параметров, файл на 274 МБ.

• Модель грузится за 0,4–0,5 с. Через 5 минут без диктовки программа её выгружает.

• Память: 360 МБ с загруженной моделью, 90 МБ без неё. Плюс процессы системного WebView для окон.

• Микрофон открывается за 60–100 мс.

• Распознавание: фраза на 5 секунд — 0,15 с, полторы минуты речи — 1,1 с, почти три минуты — 2,7 с. Первая диктовка после простоя дольше, потому что грузится модель: 5,6 секунды речи — 2,1 с.

• Вставка готового текста — около 0,23 с.

Грабли №1: модель пишет английские слова по-русски

GigaAM обучена на русской речи и пишет то, что слышит: «гитхаб», «телега», «пул реквест». Перед вставкой текст проходит через словарь: «гитхаб» → GitHub.

Простая замена ломается на падежах: «в гитхабе», «в телегу». Словарь научился проглатывать русское окончание после последнего слова: «в гитхабе» → «в GitHub». Внутри более длинных слов он ничего не трогает.

Из стартового набора я убрал слова, которые одновременно и обычные русские, и названия продуктов: «курсор», «бан», «лама». Иначе программа портила бы нормальную речь.

Грабли №2: первое нажатие после запуска не работало

Сразу после запуска первое короткое нажатие ⌥ Space включало запись и тут же её выключало, без единого сэмпла. Дальше всё работало.

Нажатия обрабатываются по очереди в одном потоке. Первый старт тяжёлый: загрузить модель и открыть микрофон — около 0,4 с. Пока он шёл, событие «клавишу отпустили» ждало в очереди. Время нажатия засекалось, когда событие доставали из очереди, а не когда оно случилось. Нажатие на 250 мс превращалось в 430 мс. Это больше порога в 300 мс, значит «зажал», и отпускание останавливало запись.

Исправление — засекать время там, где событие произошло:

// было: время бралось в потоке-обработчике
Command::Input(input) => state.on_input(input, Instant::now())

// стало: время приходит вместе с событием
Command::Input { input, at } => state.on_input(input, at)

Повторный старт занимает около 75 мс, поэтому ошибка проявлялась только на первом нажатии.

Грабли №3: пилюля выкидывала на другой рабочий стол

Стоило перетащить пилюлю, сидя в браузере, — и macOS перебрасывала меня на другой рабочий стол. Клик делал Tolkovo активной программой, а macOS переключалась туда, где лежит её окно настроек. Диктовать после этого было некуда.

Для таких окон в macOS есть «неактивирующая» панель. Но Tauri сначала создаёт обычное окно, плагин превращает его в панель потом, а AppKit учитывает этот флаг только при создании окна. Помог закрытый метод самого окна:

let selector = sel!(_setPreventsActivation:);
let responds: Bool = msg_send![&*ns_window, respondsToSelector: selector];
if responds.as_bool() {
    let _: () = msg_send![&*ns_window, _setPreventsActivation: Bool::YES];
}

Метод вызывается, только если окно его понимает, — на случай, если Apple его уберёт. Перетаскивание я написал вручную: системное тоже активировало программу.

Грабли №4: пять вариантов пилюли

На macOS 26 пилюля стоит на настоящем стекле Apple — системный NSGlassEffectView. Класс ищется во время работы: на macOS 14–25 его нет, и стекло рисуется через CSS.

Внутри стекла были жидкость с волнами и пузырьками, «лава-лампа», включение как у старого телевизора. Всё это отвлекало. Осталось самое простое: во время записи капсула за 0,45 с наливается бордовым, а внутри тонкие белые полоски расходятся в такт голосу. Отпустил клавишу — бордовый уходит вниз, пока распознаётся текст. Появляется и пропадает пилюля за 0,18 с.

Что хранится

• Звук и текст живут в памяти, пока идёт распознавание, на диск не пишутся. Handy по умолчанию сохраняет историю — WAV и текст каждой диктовки. Я заметил это поздно: до версии 0.2.1 в Tolkovo хранились пять последних записей. В 0.2.1 история выключена, а старые записи программа удаляет сама при запуске.

• Статистика — счётчики и до 300 самых частых слов за день, без самих диктовок. Её можно выключить и сбросить.

• В сеть программа ходит один раз — за моделью. После загрузки файл сверяется по SHA-256: библиотека, которая качает с Hugging Face, сама этого не делает.

• В логах текста нет. Handy убирал его только из релизных сборок, теперь его нет ни в одной.

• Облачная обработка текста из Handy выключена. Флаг --toggle-post-process раньше всё равно мог отправить текст провайдеру — закрыл.

• Вставка. Текст кладётся в буфер, и программа «нажимает» ⌘V. Для этого macOS просит разрешение «Универсальный доступ». Содержимое других программ Tolkovo не читает — для статистики берёт только название активной программы.

Каждый релиз собирается на серверах GitHub из репозитория, происхождение сборки можно проверить:

gh attestation verify ~/Downloads/Tolkovo-*.dmg --repo kozliq/Tolkovo

Чем отличается

Данные на 26.10.2026, с сайтов и GitHub самих программ.

Нужен английский или Linux — берите Handy. Нужен телефон или Windows — Говорун. Tolkovo — если у вас Mac и хочется одну клавишу без настроек и аккаунтов.

Чего Tolkovo не умеет

• Только Mac на Apple Silicon и macOS 14 или новее. Настоящее стекло — с macOS 26.

• Программа не подписана платным сертификатом Apple. После установки нужно один раз выполнить xattr -dr com.apple.quarantine /Applications/Tolkovo.app.

• Английские слова, которых нет в словаре, иногда пишутся по-русски.

• Текст появляется после того, как отпустил клавишу. Во время речи слов не видно.

• ⌥ Space по умолчанию занят и у ChatGPT для Mac. Если пользуетесь им — поменяйте сочетание в одной из программ.

Скачать: github.com/kozliq/Tolkovo/releases, исходники — github.com/kozliq/Tolkovo.

Если Tolkovo пишет какое-то слово криво — напишите в комментариях, добавлю в словарь.

Будет ещё.

Раньше в серии: Качалка — видео без водяных знаков, «Чисто» — без рекламы, Кружок — кружок из любого видео.