Każdy dyktafon oparty o chmurę wysyła nagranie Twojego głosu na cudzy serwer — i od tej chwili nikt, łącznie z producentem, nie zagwarantuje Ci, co się z nim dalej dzieje. Meduzę zbudowaliśmy odwrotnie: rozpoznawanie mowy liczy się w całości na Twoim sprzęcie, a jedyne, co kiedykolwiek wychodzi w internet, to prompt, który sam świadomie wysyłasz.
Zatonęło
Chmurowe API do transkrypcji. Pierwszy prototyp Meduzy wysyłał audio do gotowego API STT. Kusiło mocno: integracja zajęła jeden wieczór, model zawsze aktualny, zero konfiguracji GPU po stronie użytkownika. Zatonęło z dwóch powodów. Po pierwsze latencja łącza — zanim fragment audio poleciał na serwer i wrócił jako tekst, mijało 400–900 ms, a dyktowanie z takim opóźnieniem przestaje być dyktowaniem i robi się czekaniem. Po drugie, ważniejsze: nagranie głosu to najintymniejsze dane, jakie istnieją. Słychać w nim emocje, zmęczenie, chorobę, dzieci w tle. Uznaliśmy, że nie ma wygody, za którą chcemy to wysyłać na cudzy serwer. Nawet własny.
Jak to działa, krok po kroku
Cała architektura opiera się na jednej zasadzie: trzy poziomy nasłuchu — bramka energii, vosk, Whisper — i każdy kolejny budzi się tylko wtedy, gdy poprzedni ma ku temu twardy powód. Dzięki temu ciężki model nie mieli w tle Twoich rozmów, a lekki nie ma czego wynieść, bo niczego nie przechowuje.
1. Wciskasz F12 — prebufor już czeka. Mikrofon pisze do bufora kołowego w pamięci RAM, który trzyma ostatnie 1,5 sekundy dźwięku. Jeśli zaczniesz mówić ułamek sekundy przed wciśnięciem klawisza, początek zdania nie ginie. Bufor żyje wyłącznie w pamięci operacyjnej: nic nie trafia na dysk, a starsze próbki są nadpisywane co półtorej sekundy.
2. Vosk small-pl pilnuje wołaczy — i tylko tego. W trybie czuwania mały model vosk small-pl (ok. 50 MB) nasłuchuje wyłącznie kilku słów: "Claude", "GPT", "Meduza". Przed voskiem stoi bramka energii — dopóki sygnał z mikrofonu nie przekroczy progu głośności, model nie dostaje ani jednej próbki. Vosk niczego nie zapisuje i nie transkrybuje Twoich rozmów; z całego strumienia audio interesuje go jedna binarna odpowiedź: padł wołacz czy nie.
3. Whisper large-v3 budzi się i liczy na Twojej karcie graficznej. Dopiero wołacz albo F12 budzi pełny model Whisper large-v3, który przetwarza nagranie na Twoim GPU. To najważniejsza decyzja techniczna Meduzy: transkrypcja dzieje się w pamięci Twojej karty graficznej, nie w cudzym centrum danych. Nie masz karty NVIDIA? Whisper policzy się na procesorze — wolniej, ale nadal lokalnie.
4. Tekst wkleja się z dowodem. Meduza wkleja transkrypcję do aktywnego okna, a potem sama sprawdza, czy się udało: Ctrl+A, Ctrl+C i porównanie zawartości schowka z tekstem, który miał zostać wklejony. Jeśli coś się nie zgadza — okno straciło fokus, aplikacja połknęła znak — próbuje ponownie, maksymalnie trzy razy. Retry ×3 brzmi banalnie, ale to jest różnica między "zwykle działa" a "działa".
5. Historia zostaje u Ciebie. Każde dyktowanie ląduje w pliku history.jsonl na Twoim dysku. Zwykły tekst, jedna linia na wpis:
{"ts":"2026-07-11T09:14:03","text":"przygotuj wycenę transportu dla klienta z Gdańska","window":"Thunderbird","ms":1840}
Dlaczego zwykły plik, a nie baza danych? Bo plik tekstowy widzisz gołym okiem. Możesz go otworzyć notatnikiem, przeszukać, zarchiwizować albo skasować — i masz pewność, że skasowałeś wszystko, co było. Żaden serwer nie ma jego kopii, bo żadna kopia nie istnieje. Zauważ też, czego w tym wpisie nie ma: samego nagrania. Audio jest kasowane z RAM zaraz po transkrypcji; na dysk trafia wyłącznie tekst.
6. W internet wychodzi tylko to, co sam wysyłasz. Gdy dyktujesz prompt i kierujesz go wołaczem do Claude albo GPT, do modelu w chmurze leci wyłącznie gotowy tekst — nigdy audio, nigdy nagranie, nigdy próbka Twojego głosu. Granica jest ostra i celowo prosta do wytłumaczenia: głos zostaje, tekst wychodzi wyłącznie na Twoje jawne polecenie. Telemetria jest opt-in i domyślnie wyłączona: jeśli sam jej nie włączysz, Meduza nie wysyła nawet anonimowego licznika błędów. Konta nie zakładasz, więc po naszej stronie nie ma też profilu, do którego cokolwiek dałoby się przypiąć.
Co z tego masz
Możesz dyktować rzeczy, których nigdy nie powierzyłbyś chmurze — umowy, dane klientów, notatki medyczne — bo nagranie Twojego głosu fizycznie nie ma jak wyciec: poza Twoim komputerem po prostu nigdy nie powstaje.
Chcesz to sprawdzić na własnym sprzęcie? Zapisy do bety: office@xtn.pl.
Ta funkcja gra w Largo — dyktowanie pod F12 jest za 0 zł, na zawsze. Wołacze "Claude", "GPT" i "Meduza" oraz głos Zofii dochodzą w Moderato.