Один агент без контексту, все переробляти. Або три, що завершують справжню роботу.

Ось стіна, в яку я постійно впирався. Агент ШІ настільки хороший, наскільки хороше те, що ви йому даєте. Щоб отримати чудовий результат, треба запустити його, прочитати, що він зробив, і детально сказати, що не так, що добре і чого ви хочете далі. Цей фідбек і є роботою. А я не встигав. Друкувати стільки контексту, так точно, у всьому, що я роблю за день: у мене просто не було на це ресурсу. Мої агенти показували слабкі результати не тому, що були слабкими. А тому, що мій ввід був бідним. Моя клавіатура була стелею.

Тож я пішов шукати інструменти голос-у-текст, розраховуючи просто говорити. Те, що я знайшов, ділилося на дві купи. Безкоштовні й дешеві інструменти були поганими. Платні були абсурдними: дюжина моделей, сім режимів і панель налаштувань, якій потрібна власна інструкція, і все це, щоб надиктувати одне речення. Мені пропонували платити преміум за купу функцій, яких я ніколи не торкнуся, тоді як я хотів рівно одного: простого, точного розпізнавання мовлення, що працює тієї ж секунди, коли я його відкрив.

І воно мало бути приватним. Я хотів один інструмент для всього, а не одну програму для роботи й іншу для решти. Щойно робочий інструмент надсилає ваші дані в хмару, ви потрапляєте в закупівлі, security review і погодження, а я не збирався там жити. Мені було потрібно щось, що працює на моїй машині й тримає мій голос на моїй машині, якщо я не вирішу інакше.

Ніщо не вміло всі три речі. Тож я це збудував.

Зміна була не тонкою. Без деталей мої агенти повертали роботу, яку доводилося переробляти. Тепер я просто говорю, кожен отримує повний контекст, результат повертається кращим із першого разу, і я доводжу до кінця трьох агентів за час, за який раніше один ледь повз до 40%. Не тому, що я друкую швидше. Тому, що нарешті можу дати їм усе.

Натисніть клавішу. Говоріть. Ваші слова з'являються біля курсора, в будь-якій програмі. Все працює на 100% на пристрої, тож ваш голос ніколи не залишає ваш Mac. Це $39 один раз, а не підписка. І нічого не треба налаштовувати: завантажте, натисніть клавішу, говоріть.

Він робить одну справу і зникає. У цьому й суть.

Для людей, які використовують агентів ШІ і вперлися у справжню стелю: не в модель, а в те, скільки контексту ви можете собі дозволити їй дати. Якщо ваші агенти були б точнішими з більшою кількістю фідбеку, ніж ви встигаєте надрукувати, VoxTap знімає це обмеження. Ви перестаєте економити на тому, що їм кажете. Результат кращає, переробок менше, і ви тримаєте в русі більше агентів одночасно. Ви не отримуєте швидшу клавіатуру. Ви робите більше, краще, за ті самі години.

Я збудував його саме під те, як працюю сам. Якщо ви працюєте так само, він для вас.

Я професійно будую голосовий ШІ. Я працюю з розпізнаванням мовлення на пристрої, веду enterprise-проєкти ШІ, які живуть або вмирають через приватність даних (EU AI Act, GDPR), і додав першу TDT-модель мовлення (родина Parakeet) до бібліотеки Transformers від Hugging Face. VoxTap працює на тому самому рушії Parakeet на пристрої. "Ваш голос ніколи не залишає ваш Mac" - це не гасло. Це причина, чому ця програма існує.