Я много надиктовываю: задачи для кодинг-агентов, сообщения в чаты, короткие команды для терминала. Мне нужна была диктовка, которая работает в любом окне, сразу выдаёт текст в нужной форме и знает мои термины и имена.
PasteVox живёт в строке меню. Зажимаю Fn, говорю, отпускаю — и текст появляется там, где стоит курсор, а то, что лежало в буфере обмена, возвращается на место. От режима зависит, что получится: дословный текст, задача для агента, RALPH-промпт или shell-команда; режим и стиль переключаются цифрами, пока клавиша зажата. Опасная команда в терминал не попадёт: она приходит закомментированной.
Самое интересное — системная часть. Fn на macOS не обычная клавиша, а флаг модификатора, и чтобы сделать его клавишей удержания, понадобился перехват событий на уровне сессии. Вторая задача — вставлять текст в любое приложение, не ломая буфер обмена и не забирая фокус у окна, куда идёт вставка.
Всё на Swift, SwiftUI и AppKit, без Electron. Речь распознаёт OpenAI, локальная модель GigaAM или свой сервер с OpenAI-совместимым API, так что русский можно диктовать совсем без сети. Ключ лежит в Keychain, история и словари остаются на Mac.
Что умеет
PasteVox
1Зажми и говори — Fn/Globe, правый ⌥ или правый ⌘: держишь — запись, отпустил — текст в активном окне, а буфер обмена возвращается.
2Четыре режима — дословно, задача для кодинг-агента, RALPH-промпт или shell-команда; цифры 1…4 прямо во время удержания.
3История вставок — каждая диктовка с режимом, приложением и статусом: вставлено, скопировано, пропущено, ошибка.
4Сниппеты, словарь, черновик — голосовые сокращения, свои термины для распознавания и заметки на потом.
5Три провайдера распознавания — OpenAI, локальная модель GigaAM или свой OpenAI-совместимый сервер: whisper.cpp, speaches, Groq.
6Русский без сети — GigaAM v3 на самом Mac: фраза — за 0,14 с, с пунктуацией из коробки.
7Повтор последней записи — если распознать не удалось, запись не пропадает: её можно распознать заново из меню.
8Защита от опасных команд — команда, которая может что-то удалить или сломать, не вставляется, а копируется с # в начале каждой строки.
9Сниппеты без модели — триггер срабатывает внутри фразы, с другим окончанием и с «вставь, пожалуйста»; конфликты проверяются при сохранении.
10Семь стилей письма — Default, Concise, Friendly, Formal, Coding, Chat и Email на цифрах 5…0 и «-»; меняют тон в режимах Agent и RALPH.
11Личный словарь — до 80 имён и терминов уходят в распознавание подсказкой.
12Буфер обмена на месте — после вставки возвращается всё, что в нём было: текст, картинки, файлы, RTF.
13Отмена на лету — переключил режим во время удержания — запись отменена; касания короче 300 мс и записи без голоса в сеть не уходят.
14Свои промпты — промпты Agent, RALPH и Command правятся, у каждого режима своя версия и кнопка «сбросить».
15Метрики задержки — время каждого этапа от отпускания клавиши до вставки, с минимумом, средним и максимумом.
Экраны
1 / 8 · Распознавание речи: локальная модель GigaAM, сервер готов, выгрузка при простое
Что было трудно
Fn/Globe как клавиша удержания для всей системы
У Fn на macOS нет своего нажатия: он виден только как флаг модификатора, правые ⌥ и ⌘ в обычных флагах не отличаются от левых, а сочетание вроде Fn+2 должно переключить режим так, чтобы «2» не напечаталась в активном окне. Поэтому события слушает перехватчик на уровне сессии, который умеет их поглощать, а вдобавок к нему глобальный и локальный мониторы. Правые клавиши различаются по коду клавиши и битам флагов конкретного устройства, сочетания — по виртуальным кодам, так что они работают и в русской раскладке. Если система отключит перехватчик за медлительность, он включается сразу, а сторож раз в 1,5 с проверяет, жив ли он, — в том числе когда разрешение на Универсальный доступ выдано уже после запуска. Итог — 3 клавиши удержания на выбор и 12 поглощаемых сочетаний: 4 режима, 7 стилей и пауза.
Вставка в любое приложение без потери буфера обмена
Общего способа вставить текст в чужое поле в macOS нет. Буфер обмена и ⌘V работают почти везде, но затирают то, что пользователь скопировал сам, а если вернуть буфер слишком рано, приложение вставит старое. Перед вставкой снимается полный снимок буфера — все элементы во всех форматах, от текста до картинок и файлов; затем в буфер кладётся текст, в систему уходит ⌘V, и через 450 мс снимок возвращается. Без Универсального доступа текст остаётся в буфере со статусом «скопировано». Плашка с волной — панель, которая не может стать активной, поэтому фокус остаётся у окна, куда идёт вставка. Итог — текст появляется сразу после ⌘V, а через полсекунды буфер обмена такой же, каким был.
Плашка во время записи: режим и живая волна; фокус она не забирает
Локальная модель, которой приложение управляет само
Чтобы распознавать русский без сети, PasteVox запускает GigaAM v3 через gigastt — отдельный сервер, которым приложение управляет само. Оно находит программу, скачивает модель на 225 МБ с прогрессом, поднимает сервер при старте, выгружает модель при простое и гасит сервер при выходе. Уже запущенный или оставшийся после падения процесс подхватывается, упавший перезапускается. Голос не теряется, пока модель грузится: запись идёт в файл и распознаётся, как только сервер готов, а последнюю запись можно распознать ещё раз из меню. Итог — на Apple Silicon фраза из 5 секунд речи распознаётся за 0,14 с, холодный старт модели — около 2 с, самый первый — около 8 с, и всё без сети.
Защитный барьер для терминальных команд
Режим Command превращает речь в shell-команду, и одно неверно расслышанное слово вместе с привычным Enter может что-то удалить. Одной модели тут доверять нельзя, поэтому слоёв два. Промпт требует для опасной команды вернуть особый маркер и причину риска. Локальный классификатор из 18 регулярных выражений проверяет результат — или сырую расшифровку, если переписывание выключено — и находит sudo, rm -rf, dd, mkfs, git push --force, curl | sh и им подобные даже после ; и | в цепочке. Сработал любой слой — команда не вставляется, а копируется, и каждая её строка начинается с #. Итог — у рискованной команды нет ни одного автоматического пути в терминал, и даже вставленный и запущенный предпросмотр ничего не выполнит.
Сниппеты без модели: нечёткое сопоставление речи
Распознавание каждый раз пишет фразу по-разному: с пунктуацией, через «ё» или «е», с «пожалуйста», в другом падеже, «промт» или «prompt». Сниппет должен срабатывать мгновенно, без модели, и заменять только себя, если сказан внутри фразы. Фраза нормализуется, из неё убираются глаголы-команды и слова-паразиты, а дальше идут 4 уровня совпадения с весом уверенности: точное, триггер как подпоследовательность слов, покрытие от 75 % слов триггера и похожесть всей фразы по Левенштейну. Слова сравниваются ещё и по грубому фонетическому ключу, а для русских триггеров словоформы генерируются по таблице — до 32 вариантов. Итог — ноль сетевых запросов на сниппет, и при совпадении переписывание моделью пропускается целиком.
Задержка конвейера и её замер
От отпускания клавиши до текста на экране складываются сборка аудио, загрузка, распознавание, иногда переписывание и вставка, и нужно было понять, где уходит время. Запись сразу идёт в AAC, а не в WAV: файл примерно в 5 раз меньше. Транспортов три: загрузка файла по умолчанию, потоковая отправка готовой записи и realtime по WebSocket; экспериментальные при ошибке откатываются на загрузку файла. Каждая сессия меряется по 8 полям, от нажатия до старта записи и от отпускания до вставки, с минимумом, средним и максимумом. Итог — по замерам потоковые режимы остались экспериментальными, а по умолчанию работает загрузка файла.
Из Swift Package Manager в настоящее приложение
Swift Package Manager выдаёт голый исполняемый файл, а macOS нужен бандл: с Info.plist, без которого система даже не спросит доступ к микрофону, с иконкой и локализациями, и ещё сборка под Intel. Info.plist вшит прямо в исполняемый файл флагом линкера, так что и голый swift run получает идентификатор приложения и текст запроса доступа. Скрипт собирает .app, иконку — из одного PNG в 10 размерах, а GitHub Actions по тегу собирает универсальную версию и публикует релиз. Подпись стабильная, поэтому разрешения на микрофон и Универсальный доступ переживают пересборку. Итог — один архив для Apple Silicon и Intel, сборка и публикация по одному тегу.
Как устроен
Интерфейс
AppKit
SwiftUI
строка меню
Горячая клавиша
CGEvent tap
NSEvent
Accessibility
Звук
AVFoundation
AAC
Распознавание
OpenAI
GigaAM
gigastt
URLSession
WebSocket
Вставка
NSPasteboard
CGEvent
NSPanel
Хранение
Keychain
UserDefaults
Codable
Сборка
Swift Package Manager
GitHub Actions
codesign
Звуки отклика не системные: три коротких тона синтезируются в коде синусом и сохраняются в WAV при первом использовании.
Один замер уровня микрофона раз в 33 мс рисует волну на плашке из 18 столбиков и решает, был ли голос: тихая запись в сеть не уходит.
Ключ OpenAI читается из Keychain только в момент запроса, поэтому macOS не спрашивает пароль при запуске.
Язык интерфейса и встроенных промптов меняется на лету: окна, меню и плашка перерисовываются без перезапуска.
Контакт
Открыт к новым проектам и предложениям о работе. Проще всего — почтой или в Telegram.
Проектирую и собираю сервисы и приложения целиком — от интерфейса до деплоя, бэкапов и мониторинга. Сейчас в основном делаю продукты с ИИ внутри. До ноября 2026 — Senior Full-stack Engineer в Акнауцере: ИИ-продукты доказательной медицины.
Опыт
февраль 2026 — ноябрь 2026
10 месяцев
TypeScript
Python
Node.js
Next.js
FastAPI
Акнауцер · Senior Full-stack Engineer
ИИ-продукты доказательной медицины для врачей и фармкомпаний
Спроектировал и с нуля запустил портал для врачей aknaucer.ru: поиск по медицинской литературе, библиотека врача, ИИ-генерация материалов, перевод, транскрибация.
Построил сервис мониторинга медицинских данных: он следит за шестью источниками, среди них клинические рекомендации Минздрава, ОХЛП, ГРЛС, PubMed/PMC и НПА, и через вебхуки и API рассылает изменения пяти продуктам компании.
Разработал «Медассистента» — ИИ-ассистента врача: он отвечает только по проверенным источникам из сервиса мониторинга и сверяет с ними каждую цитату и каждое число в ответе.
Разработал транскрибатор медицинских лекций и вебинаров: разделение по спикерам, поиск и вопросы по записям, субтитры.
Вместе с коллегой построил мониторинг грантов: около 56 тыс. программ с шести порталов, релевантность оценивает LLM.
Построил среду, в которой ИИ-агенты (Claude Code, Codex) параллельно работают над пятью продуктами: у каждого проекта свои правила, память и скиллы, а агенты разных проектов сами согласуют между собой контракты интеграций.
Встроил правила продукта в работу агентов: хук останавливает правку, меняющую пользовательский сценарий, пока агент не назовёт затронутые пользовательские истории. Скиллы ведут каждую задачу от трекера до деплоя.
Собрал общую обновляемую базу контекста по 27 проектам компании: агент в любом проекте знает, как устроены соседние сервисы и что в них недавно изменилось.
август 2024 — январь 2026
1 год 6 месяцев
TypeScript
Node.js
Vue
Tailwind
Elixir
Gleam
Фриланс и свои проекты · Full-stack, DevOps и AI-автоматизация
Собственные и клиентские сервисы
Веб-сервисы, парсеры, CRM и админки, сервисы учёта данных — в том числе вокруг личной библиотеки и домашней инфраструктуры.
Архитектура и инфраструктура под них: Docker, деплой в облако и на свои серверы, бэкапы, логирование; PostgreSQL и MongoDB.
Четыре нативные утилиты на Swift: порты, SQLite, CSV и JSON.
Swift · SwiftUI
PasteVox
Нативная утилита для macOS: зажал клавишу, сказал — текст в активном окне.
Swift · SwiftUI · AppKit
Ещё:Library Manager — домашняя библиотека: десктоп и мобильное приложение; Calorie Tracker — дневник питания с ИИ; Spotify Extended History — дашборд личной выгрузки Spotify.