Essential Voice to nowa jakość dyktowania treści dla użytkowników smartfonów Nothing

Firma Nothing znana jest z nieortodoksyjnego podejścia do stylistyki swoich produktów, zwłaszcza smartfonów i słuchawek, czym przyciąga jednych, a odpycha innych potencjalnych klientów. Oprócz tego próbują też walczyć ceną, zwłaszcza w przedziale cenowym 1000 - 2000 zł, choć odnoszę wrażenie, że ostatnio głównym tematem, jakim się zajmują, jest dodawanie kolejnych funkcji AI. Sam jestem użytkownikiem Nothing Phone 3 i mimo że bardzo go lubię, to nic mnie tak nie irytuje, jak Essential Key z funkcjami AI, którego nie da się całkowicie wyłączyć, a który naciskam przypadkowo 20 razy dziennie. Można się więc spodziewać, że wiadomość o tym, iż Nothing chce wprowadzić kolejne narzędzie AI do swojego systemu Nothing OS, wywołała we mnie ponury śmiech. Tylko że... to narzędzie okazało się przydatniejsze, niż sądziłem.

Autor: Tomasz Duda

Problemy z wprowadzaniem treści na smartfonie są przynajmniej dwa. Po pierwsze: zdecydowaną większość informacji wpisujemy za pomocą klawiatury ekranowej. Część osób korzysta z szybkiego wpisywania za pomocą gestów, a część wprowadza treść mozolnie, literka po literce. Wszystko to trwa sporo czasu, a mnóstwo literówek lub błędów autokorekty też nie ułatwia komunikacji. Po drugie: nic nie stoi na przeszkodzie, aby dyktować treść, a system zmieni mowę użytkownika na font cyfrowy. To jednak też nie jest optymalna metoda, bo typowa transkrypcja obejmuje niestety wszystkie wypełniacze typu „yyyyyyyyy”, „ymmmmm” itp., a także pomyłki. Jeśli powiesz: „wynieś proszę śmieci albo nie, ja wyniosę, gdy wrócę z pracy”, to dokładnie to zostanie przekształcone do postaci tekstu i wysłane w wiadomości. Zresztą to samo stanie się jeśli powiesz „przetłumacz, gdzie jest najbliższa stacja benzynowa, na niemiecki”. Program do transkrypcji najpewniej po prostu wpisze to całe zdanie w postaci tekstu. I w tym właśnie miejscu wyróżniać ma się Essential Voice.

Essential Voice to funkcja, która nie wpisuje wszystkiego, co mówisz, wraz z błędami, lecz rozumie kontekst i wyciąga sens z wypowiedzi, a następnie układa z tego zgrabną wiadomość. Również z opcjonalnym tłumaczeniem oraz skrótami głosowymi. Działa to zaskakująco dobrze, również po polsku.

Porównanie aparatów w smartfonach: Nothing Phone 4a vs Nothing Phone 4a Pro vs Google Pixel 10a

Co to jest Essential Voice i jak działa?

Jest to nowa funkcja w smartfonach firmy Nothing, która korzysta z AI po to, by nie wpisywać dokładnie tego, co mówisz, lecz rozumieć ogólny sens wypowiedzi i napisać go bez błędów, bez wypełniaczy typu „yyyyymmmmm” i bez zacięć, w dowolnym miejscu w smartfonie, w którym normalnie używana byłaby klawiatura. Innymi słowy: w czacie, SMS-ie, e-mailu, notatniku, dokumencie typu MS Word, dowolnym polu tekstowym, różnych aplikacjach itp. Jeśli otwiera się klawiatura i możesz wprowadzać tekst, to możesz również korzystać z Essential Voice. Funkcja ma automatyczną korektę, rozumie kontekst i co najważniejsze: działa w ponad stu różnych językach. Bez problemu rozumie język polski. Umożliwia też transkrypcję mowy wraz z tłumaczeniem i tutaj też rozumie kontekst, bo jeśli więc podyktujesz „przetłumacz [wypowiedź] na język XYZ”, to nie przepisze całej wypowiedzi, lecz tylko tę część, która wymaga tłumaczenia. Wada? Na razie działa to tylko na Nothing Phone 3 oraz Nothing Phone 4a Pro. Czy trafi na inne urządzenia w przyszłości? Zapewne tak, ale na razie nie mam potwierdzenia, na jakie i kiedy.

Dodatkową ciekawostką jest mapowanie własnych skrótów. Możesz więc ustawić Essential Voice tak, że jeśli powiesz „zaraz będę”, to nie wpisze w wiadomości „zaraz będę”, lecz „Cześć Kochanie, będę w domu za około 10 minut. Buziaki!” ;). Równie dobrze możesz ustawić komendę głosową „wyślij do Adama” tak, aby po jej usłyszeniu Essential Voice wpisywał w polu tekstowym konkretny adres e-mail (choćby adam@jakiśmail.pl). Takich skrótów masz do dyspozycji wiele, na różne okazje, co zdecydowanie ułatwia życie, bo zamiast dyktować pełny adres mailowy, którego w sumie nie musisz nawet pamiętać, możesz użyć prostej komendy.

Ja ustawiłem sobie to tak, że gdy powiem tylko jedno słowo „paczkomat” (i nic więcej przed tym lub za tym), to w polu tekstowym wpisywany jest ustawiony wcześniej numer i adres paczkomatu, wraz z moim adresem e-mail i numerem telefonu. Przydaje mi się to, jeśli podaję komuś paczkomat, na który ma wysłać przesyłkę. Przypuszczam, że ile osób, tyle pomysłów na kreatywne wykorzystanie takich skrótów głosowych. Krótki przykład możesz zobaczyć na wideo poniżej. Przyznam, że byłem sceptyczny na początku, ale okazało się, że teraz wolę odpowiadać na czaty albo wiadomości głosowo, bo ta funkcja nie wpisuje głupio wszystkiego, jak leci, lecz „rozumie” co autor miał na myśli i przekazuje mojemu rozmówcy to, o co mi chodziło, a nie ile razy się zaciąłem, zająknąłem, powiedziałem „yyyyy”, albo ile razy zmieniłem zdanie po drodze.

To jest świetne, że mogę powiedzieć: „widzimy się chyba o piętnastej albo o piętnastej trzydzieści, albo nie… muszę się jeszcze przebrać, więc dopiero o szesnastej”, a Essential Voice w wiadomości po prostu napisze coś w stylu „widzimy się o 16:00”. I tak właśnie powinno wyglądać dyktowanie: szybkie, wygodne i ze zrozumieniem sensu oraz kontekstu. Czy pojawiają się błędy? Jasne, że tak. Denerwuje jakieś 2-sekundowe opóźnienie w rejestrowaniu głosu, czasami funkcja po prostu niedobrze zrozumie pierwsze słowo, ale na ogół działa to całkiem w porządku. Warto też podkreślić, że Essential Voice w ogóle nie wymaga ustawiania języka, bo rozpoznaje go automatycznie. Oznacza to, że np. dwie osoby posługujące się różnymi językami mogą mówić jedna po drugiej, a opisywana funkcja „zrozumie” obie strony i prawidłowo wpisze wiadomość już w postaci przetłumaczonej. Taki asystent AI faktycznie może dla części osób być wartością dodaną. I nie działa to w jednej aplikacji, lecz w dowolnym polu tekstowym, w dowolnej aplikacji (mail, czat, tłumacz, notatnik itp.). Jeśli chodzi o kwestię prywatności, to firma Nothing deklaruje, że funkcja Essential Voice nie działa w tle, aktywowana jest tylko przyciskiem na obudowie lub na ekranie, ale... już niestety samo przetwarzanie głosu odbywa się na serwerach producenta.