Олег Воробьёв • AIKIDOO

По моим наблюдениям, в ИИ многие инструменты даже не успевают войти в повседневное использование - пока осваиваешь одну модель, выходит следующая, и часть твоего стека стареет раньше, чем ты к ней привыкаешь. Просто какая-то сумасшедшая скорость изменений, к которой бывает сложно адаптироваться. Поэтому инструментарий приходится пересматривать - что-то устаревает, что-то вообще не успевает прижиться в работе. Самой первой нейросетью, с которой я познакомился, была Midjourney, в 2023 году я делал с её помощью иллюстрации для настольной игры. Для прототипа и тестирования игровых механик генерации сгодились, но качество тогда оставляло желать лучшего, и на финальные иллюстрации всё равно пришлось составлять ТЗ для иллюстратора. Сегодня такую задачу легко и быстро закроет практически любая модель для генерации изображений. Например, сейчас для изображений я чаще всего использую Ideogram, он отлично работает по MCP с клодом и пока для большинства моих задач его хватает. Recraft через MCP расчехлить так и не вышло, он часто подвисал у меня на разных операциях, поэтому рабочим каналом на текущий момент стал Ideogram. До NanoBanana и Seedance руки до сих пор так и не дошли, но очень чешутся. Основным AI, который я использую на постоянной основе, остаётся Claude, иногда кажется, что он уже сросся с моим маком, как Веном с Человеком-Пауком. В Claude Code у меня собраны все актуальные проекты по разработке - приложение для транскрибации Slovo, собственный скринкастер для записи и монтажа, телеграм-боты и прочие проекты в разной степени готовности. На нём же держится вся автоматизация моей рутины на маке. Claude Design отлично справляется с дизайн-схемами и интерфейсами в моих проектах и полностью заменил мне ручную вёрстку. Также отдельным слоем в Клоде я веду текущие рабочие проекты и задачи из классического бизнеса - аналитика, продажи, отчётность, маркетинг. Рядом под разные задачи идут ChatGPT, Perplexity, Gemini и Grok. Perplexity с его быстрым, развёрнутым и логичным поиском инфы в интернете почти полностью заменил мне привычный поиск в Google. Gemini иногда использую для мозгоштурмов и детализации идей, как один из слоёв проверки и улучшения идеи. Grok не стесняется обсуждать те темы, на которые у других моделей часто стоит ограничение или красная линия, например блокировки и обходы. Две платные подписки я заменил собственными приложениями. Aqua Voice за 10$ в месяц ушёл из моего стека после сравнительных тестов против собственного транскрибатора Slovo - на одном и том же отрезке речи платный сервис путал слова и спотыкался на пунктуации, а своё решение справляется более чем отлично. Платный скринкастер Screen Studio тоже отправился на покой после того, как я проработал собственное приложение для записи экрана и монтажа - многоканальная запись, синхронизация устройств, монтаж, рендеринг и экспорт работают быстро, уверенно и с высоким качеством. Отдельная интересная история - локальные LLM-модели. В Slovo речь распознаёт локальная GigaAM, знаки препинания ставит маленькая локальная модель, и эта связка работает полностью офлайн: сорок секунд речи обрабатываются секунды за три, а данные не улетают на сторонние серверы. Для человека, у которого в созвонах чувствительное содержание, это важнее любого рейтинга точности. На старте работы с нейросетями и до погружения в вайбкодинг я даже предположить не мог, что однажды в перечне подписок и сервисов, которыми я пользуюсь, окажутся вещи вроде RunPod с арендованными вычислительными мощностями и видеокартами, Vultr с собственным VPS-сервером в Мадриде, базы данных в Supabase, облачный сервер в Yandex Cloud для локальных проектов. По мере погружения в индустрию и роста сложности и масштабности проектов ты начинаешь обрастать серьёзным пулом инфраструктурных вещей, осваиваешь всё это и разбираешься в том, как это работает. Теперь с определённой периодичностью я провожу такой ритуал рефлексии и отвечаю себе на несколько вопросов: Что и для какой задачи я использую? С какой периодичностью я это использую? Появилось ли новое решение, которое может закрыть эту задачу эффективнее?

Диктую я постоянно - почти всё, что уходит в нейросети, я проговариваю вслух, так гораздо удобнее и быстрее. Поэтому и платил за диктовку каждый месяц, пока не собрал свою. Теперь собственное приложение Slovo распознаёт мою речь прямо на ноуте, без интернета, а подписку на Aqua Voice за 10$ в месяц я отменил. На старте мною двигал скорее интерес, Aqua Voice и Whisper Flow, которыми я пользовался, свои задачи закрывают хорошо, мне было с ними удобно. Просто захотелось понять, как такие программы устроены внутри и смогу ли я без глубокого знания кода собрать себе такой же инструмент, только бесплатный. Slovo вообще стало моим первым приложением - до него я ничего подобного не собирал. Первая рабочая версия вышла за одну автономную сессию из пустой папки: сначала шесть агентов разошлись по исследованию, потом шесть писали код параллельно, 116 и 16 тестов зелёные с первого прогона. А когда получилось, аппетиты выросли и в голове поселилась мысль - «хорошо, это работает, а как теперь сделать лучше, чем то, что есть на рынке?». Дальше пошли тесты и замеры. Речь в текст переводит модель распознавания, и их есть несколько на выбор - я сравнивал три на своём ноуте. Взял свой же отрезок на 34 секунды русской речи. Whisper в облегчённой версии справился за 8,8 секунды, он же в тяжёлой - за 37, а русская GigaAM-v3 - за 2,2 секунды, и при этом точнее на моих рабочих словах и терминах. Флагманская модель виспера локально на моём ноуте облажалась знатно - тридцать семь секунд ожидания, когда ты уже всё сказал - это как сидеть перед микроволновкой и смотреть, как греется твой обед. Мысль за это время успевает остыть вместе с ним. Не обошлось без нюансов. И спецификация, и исследование обещали, что GigaAM сама расставит знаки, а по факту текст приходил строчными буквами и без единой запятой. За пунктуацией теперь следит вторая модель, совсем маленькая, на 31 мегабайт - она только размечает слова, где заглавная и где знак после слова, поэтому сами слова исказить не может. Отрезок речи в полминуты она обрабатывает всего за 0,09 секунды против 2,6 у облачной очистки, а облачная в тесте ещё и неправильно разрезала предложение. Потом прогнал один и тот же отрывок через Aqua Voice и свою связку. У Aqua часть слов ушла не туда и поплыла пунктуация, у меня текст вышел чистым. Честно говоря, вытягивает тут именно связка из двух ступеней - распознавание и расстановка знаков, в одиночку модель распознавания выдаёт текст вообще без знаков, и на ней такого результата не получить. Весь путь, от голоса до готового текста, проходит на ноуте и занимает около пяти секунд. Сейчас докручиваю режим протокола встреч - чтобы приложуха различала участников по фразам, собирала итоги и вытаскивала задачи после обсуждения. Дальше хочу, чтобы всё работало только на моём компьютере и при этом не теряло в качестве, тогда данные никуда не уходят и приложением можно будет пользоваться на корпоративных задачах, что откроет возможности для дистрибуции этого приложения в B2B сегмент. И нужны версии под iOS и Android, пока написан только десктоп.