Jeden wygłodzony agent, wszystko do poprawki. Albo trzech, kończących prawdziwą pracę.

Oto ściana, w którą ciągle uderzałem. Agent AI jest tak dobry, jak to, co mu dasz. Żeby dostać świetny wynik, musisz go uruchomić, przeczytać, co zrobił, i powiedzieć mu szczegółowo, co jest źle, co dobrze i czego chcesz dalej. Ten feedback to właśnie praca. A ja nie nadążałem. Wpisywanie tylu szczegółów, tak precyzyjnie, we wszystkim, co robię w ciągu dnia: po prostu nie miałem na to mocy. Moi agenci nie zawodzili, bo byli słabi. Zawodzili, bo mój input był ubogi. Moja klawiatura była sufitem.

Poszedłem więc szukać narzędzi mowa-na-tekst, licząc, że po prostu będę mówić. To, co znalazłem, dzieliło się na dwie kupki. Darmowe i tanie narzędzia były złe. Płatne były absurdalne: tuzin modeli, siedem trybów i panel ustawień wymagający własnej instrukcji, wszystko po to, żeby podyktować jedno zdanie. Kazano mi płacić premium za stertę funkcji, których nigdy bym nie tknął, a ja chciałem dokładnie jednej rzeczy: prostej, dokładnej zamiany mowy na tekst, działającej w sekundzie otwarcia.

I musiało być prywatnie. Chciałem jednego narzędzia do wszystkiego, a nie osobnej aplikacji do pracy i innej do reszty. W momencie, gdy narzędzie pracy wysyła dane do chmury, wpadasz w zakupy, security review i walidacje, a ja nie zamierzałem tam mieszkać. Potrzebowałem czegoś, co działa na moim komputerze i trzyma mój głos na moim komputerze, chyba że zdecyduję inaczej.

Nic nie spełniało wszystkich trzech warunków. Więc to zbudowałem.

Zmiana nie była subtelna. Pozbawieni szczegółów agenci oddawali mi pracę do poprawki. Teraz po prostu mówię, każdy dostaje pełny kontekst, wynik wraca lepszy za pierwszym razem, a ja doprowadzam trzech agentów do końca w czasie, w którym kiedyś jeden ledwo dopełzał do 40%. Nie dlatego, że piszę szybciej. Dlatego, że wreszcie mogę dać im wszystko.

Naciśnij klawisz. Mów. Twoje słowa pojawiają się przy kursorze, w każdej aplikacji. Działa w 100% na urządzeniu, więc Twój głos nigdy nie opuszcza Twojego Maca. Kosztuje $39 raz, bez subskrypcji. I nie ma nic do konfigurowania: pobierz, naciśnij klawisz, mów.

Robi jedną robotę i znika. O to właśnie chodzi.

Dla ludzi, którzy używają agentów AI i uderzyli w prawdziwy sufit: nie model, lecz ilość kontekstu, na jaką Cię stać. Jeśli Twoi agenci byliby celniejsi z większą ilością feedbacku, niż masz czas wpisać, VoxTap zdejmuje ten limit. Przestajesz racjonować to, co im mówisz. Wyniki są lepsze, poprawek mniej, a Ty utrzymujesz w ruchu więcej agentów naraz. Nie dostajesz szybszej klawiatury. Robisz więcej, lepiej, w tych samych godzinach.

Zbudowałem go dokładnie pod mój sposób pracy. Jeśli też tak pracujesz, jest dla Ciebie.

Zawodowo buduję głosową AI. Pracuję z rozpoznawaniem mowy na urządzeniu, prowadzę projekty enterprise AI, które żyją albo umierają przez prywatność danych (EU AI Act, RODO), i wprowadziłem pierwszy model mowy TDT (rodzina Parakeet) do biblioteki Transformers od Hugging Face. VoxTap działa na tym samym silniku Parakeet na urządzeniu. "Twój głos nigdy nie opuszcza Twojego Maca" to nie slogan. To powód istnienia tej aplikacji.