Тихе повернення голосу

Асистенти застигли. Диктування злетіло — за власними словами

Скажіть «Окей, Google, постав таймер» — і ви користуєтеся голосовим введенням першого роду. Надиктуйте листа замість того, щоб його друкувати, — і це вже другий рід.

Усього родів п’ять, і за останні два роки їхні шляхи розійшлися: команди асистентам, диктування тексту, голосові повідомлення, усні розмови з ШІ-моделями, а ще голос для програмування і для постановки задач ШІ-агентам.

Перший рід перестав здобувати нову аудиторію. У США розумну колонку мали 33 % людей у 2021 році й 35 % у 2025-му; сама компанія, що проводить опитування, визнає: за чотири роки цифра майже не зрушила.¹

Виняток — Велика Британія: за ті самі роки з 25 % до 45 %, здебільшого завдяки Alexa.² А от інтенсивність користування зростала довше: кількість завдань, які власник дає колонці за тиждень, збільшилася з 7,5 у 2017 році до 12,4 у 2022-му.³

Проте комерційно перша хвиля провалилася. Підрозділ пристроїв Amazon утратив між 2017 і 2021 роками понад 25 млрд доларів, бо Echo просили поставити будильник і розказати про погоду, а не щось купити.⁴

Другу хвилю видно майже лише з того, що компанії кажуть самі про себе. Wispr Flow, застосунок для диктування, виріс з оцінки в 700 млн доларів у листопаді 2025 року до 2 млрд у серпні 2026-го.⁵

Google стверджує, що 63 % із понад мільярда щомісячних користувачів застосунку Gemini «користуються голосом», — і не пояснює, як це рахували.⁶ Apple каже, що запитів до Siri стало більше: приблизно 1,5 млрд на день у 2024 році й понад 2,5 млрд у 2026-му.⁷

Великі незалежні опитування — Pew, YouGov, Edison, Ofcom — поки що не питають окремо про диктування чи голосові розмови зі ШІ. Найближче з них показало: 57 % американців віком від 12 років хоч раз користувалися генеративним ШІ-асистентом — текстом чи голосом.⁸

Отже, криву зростання другої хвилі малюють зацікавлені сторони.

Голосові повідомлення, третій рід, — масова звичка, але вже не та, що зростає. Останній офіційний підрахунок WhatsApp — 7 млрд на день, і датований він березнем 2022 року.¹⁰

В опитуванні YouGov серед 2442 американців у лютому 2026 року близько 10 % надсилали голосові кілька разів на тиждень, а 41 % відповіли, що цей формат їх не стосується. Тих, хто став користуватися ними рідше (12 %), виявилося стільки ж, скільки тих, хто частіше (11 %).⁹

Утричі швидше, коли переписуєш. Приблизно в 1,4 раза — коли складаєш

Ось найцитованіша цифра про голос: говорити втричі швидше, ніж друкувати. Це правда — для переписування. В експерименті, звідки вона взялася, 48 людей, по 24 на мову, переписували на iPhone короткі готові фрази.

Голосом виходило 153 слова на хвилину проти 52 на екранній клавіатурі англійською і 123 проти 43 — мандаринською.¹¹ Автори самі називають це верхньою межею, досягнутою в лабораторії. А переписуванням ніхто не пише.

2020 року Фолі, Казьє і Фоґель попросили 28 людей скласти власне речення на телефоні, пов’язавши три прості картинки. Поки слова безпосередньо вимовлялися чи набиралися, голос і далі був утричі швидшим: 116,5 проти 35,1 слова на хвилину.

Але якщо рахувати всю спробу — подумати, сказати, виправити, — повідомлення голосом забирало 20,8 секунди, а на клавіатурі 29,2. Це приблизно в 1,4 раза, а не втричі.¹²

Різницю з’їли дві речі. Перед першим словом люди думали вдвічі довше, коли збиралися говорити: 11,0 секунди проти 5,3. Друкуючи, людина думає на ходу; говорячи — спершу вибудовує речення в голові.

А будь-яке виправлення обходилося дорого: за обома способами й обома завданнями спроби, де щось доводилося правити, йшли зі швидкістю 54,6 слова на хвилину, а чисті — 141,1.

Для масштабу: добровольці в онлайн-тесті на швидкість друку набирали на фізичній клавіатурі в середньому 52 слова на хвилину (вибірка — 168 000 людей),¹³ а на телефоні — 36 (37 000 людей).¹⁴

Контрольованого порівняння, де люди складали б текст голосом із сучасним розпізнаванням і на настільній клавіатурі, немає. Останнє таке порівняння — 1999 року.

Тоді новачки складали текст голосом зі швидкістю 7,8 слова на хвилину з урахуванням виправлень, а клавіатурою й мишею — 19; під час переписування — 13,6 проти 32,5.¹⁵

Ваша швидкість мовлення — це швидкість язика, а не диктування: тут нічого не розпізнається і нічого не треба виправляти. Співвідношення між двома вашими числами — це максимум, який голос у принципі може вам дати.

В експерименті Фолі саме мовлення було в 3,3 раза швидшим за набір, а вся спроба — в 1,4 раза: після роздумів і виправлень від співвідношення швидкостей лишалося близько 40 %.

Що чує машина, залежить від того, хто говорить

Скажіть «перенеси нараду на п’ятницю о десятій» у тихій кімнаті з вимовою диктора новин, і добрий розпізнавач запише все правильно. Скажіть те саме з сильним акцентом під гамір кав’ярні — і він може надрукувати «на п’яницю о дев’ятій».

Розпізнавання оцінюють за частотою помилок у словах: це частка слів, які система переплутала, пропустила або додала від себе. У жовтні 2025 року найкраща модель на стандартному відкритому рейтингу мала в середньому 5,63 % на всіх його тестових наборах.

Whisper large-v3 — відкрита модель, на якій працює чимало застосунків для диктування, — мала в середньому 7,44 %.¹⁶ Для порівняння: ретельна професійна розшифровка записаних телефонних розмов дала 2017 року 5,1 %.¹⁷

Ці середні приховують, хто саме говорить. На збірці розмовної англійської з акцентами з усього світу Whisper помилявся в 19,7 % слів — проти 2,7 % на чистій читаній американській англійській.

Для нігерійської та ямайської англійської навіть сильніші моделі перевалювали за 20 %, а академічна модель — за 45 %.¹⁸

2020 року п’ять комерційних систем помилялися в 35 % слів чорношкірих мовців і в 19 % слів білих: та сама система, майже вдвічі більше помилок.¹⁹

Генеративне розпізнавання принесло новий вид збою — вигадування. Whisper дописував цілі фрази приблизно в 1 % розшифровок, і 38 % цих вигадок містили щось шкідливе, як-от насильство чи неправдиві твердження.²⁰

Довгі паузи, часті в людей з афазією, робили вигадки ймовірнішими. А вигадане речення гірше за недочуте слово, бо читається гладко.

Вузьке місце перемістилося з розпізнавання на виправлення. Редагування голосом має дві невирішені проблеми: як відрізнити команду від тексту, який треба записати, і як вказати місце, яке треба виправити.

Людина торкається екрана біля помилки й водночас промовляє виправлення, а мовна модель сама розбирається, що куди поставити. У тесті з 16 учасниками це скоротило час на завдання на 16,4 %, а натискання клавіатури — на 47,5 % порівняно з найкращим попереднім методом.²¹

Надиктований текст ще й виходить багатослівним і розхристаним — тому нові застосунки переписують його мовною моделлю, перш ніж вставити. У щоденниковому дослідженні з таким інструментом, яке тривало від 7 до 10 днів, 9 із 12 авторів до нього пристосувалися.

Медіанна оцінка комфорту склала 5 із 7. Ті, в кого сумніви лишилися, назвали старі складнощі: обмірковувати наступне речення, поки говориш, і ставити курсор туди, куди треба.²²

Голос пришвидшує язик, а не планування

Якщо голос утричі швидший, чому писати не стає втричі швидше? Бо більша частина письма — зовсім не набір. Дослідження 1983 року, присвячене написанню листів, показало, що близько двох третин часу на складання тексту йде на планування — від 58 % до 78 % залежно від умов.

Листи виходили однаково добрими, хоч би як люди їх створювали: писали від руки, диктували чи промовляли.²³ Швидший канал виведення пришвидшує лише решту — одну третину.

Бен Шнейдерман запропонував пояснення 2000 року: мовлення і короткочасна пам’ять черпають з одного ресурсу, а рух руки йде паралельно з мисленням.

В одному з експериментів його лабораторії голосові команди були на 12–30 % швидшими за мишу, але, промовляючи їх уголос, люди гірше запам’ятовували символи, які згодом треба було ввести знову.²⁴

Пізніші дослідження вишиковуються вздовж однієї лінії — від переписування до розв’язування задач. Де треба переписати, голос виграє у швидкості й здається легшим. Де треба скласти текст, голос трохи швидший, а відчуття ті самі.

Де треба розв’язати задачу, голос навантажує розум сильніше. У 50 людей, які працювали з медичним чат-асистентом, мовлення підвищувало виміряне розумове навантаження і на складних, і на простих завданнях.²⁵

35 лікарів невідкладної допомоги, які вели документацію голосом, працювали на 18,1 % повільніше і зробили 138 помилок проти 32.²⁶

Явно виграють ті, чиє вузьке місце — рука або правопис. Учні з порушеннями навчання писали кращі есе з розпізнаванням мовлення, ніж від руки; для інших учнів різниці не було.²⁷

Розмова зі ШІ лежить на тій самій лінії. У найбільшому дослідженні, яке я знайшов, 919 студентів вступного курсу програмування могли самі вибрати, як писати промпти для ШІ-інструмента.

Майже дев’ятеро з десяти вибрали лише текст (88,5 %), 4,8 % — лише голос і 6,7 % — обидва способи.

Невідредаговані голосові промпти рідше спрацьовували з першої спроби: 35 % проти 52 % у першому завданні та 38 % проти 58 % у другому. Коли студенти правили розшифровку, розрив переставав бути статистично значущим.²⁹

У творчих завданнях голос давав швидший перший промпт і більше довших уточнень, але не змінював ні відчутних зусиль, ні того, як люди оцінювали результати.²⁸

Популярна думка, що міркувати вголос корисно, справджується лише наполовину. За 94 дослідженнями, просте проговорювання думок не змінювало точності й лише сповільнювало роботу; точність зростала, коли людям доводилося пояснювати свої міркування.³⁰

Цілком можливо, що пояснювати задачу ШІ-моделі голосом корисно. Але цього ніхто не перевіряв.

Голос втомлюється дозою. Дозу диктування ніхто не вимірював

Цілий день за клавіатурою втомлює руки. Цілий день розмов втомлює щось інше, і наукової денної норми, скільки говорити безпечно, не існує. Зате добре виміряно, скільки говорять ті, для кого голос — робочий інструмент.

У вчителів — професії з високою частотою розладів голосу — голосові складки звучать 23 % робочого часу, проти 13 % поза роботою і 12 % на вихідних; це дані дослідження 31 вчителя 2007 року.³¹ Новіша група з 26 вчителів дала 16,2 %, 8,4 % і 8,0 %.³²

Цей час звучання називають фонацією: до нього входять лише моменти, коли складки справді коливаються, а паузи між словами — ні.

Тіло помічає це швидко. Під час гучного читання об’єктивний маркер голосового зусилля зростає вже за перші 15 хвилин, а люди відчувають це через 30 — так показало дослідження з 10 учасниками.³³

Після двох годин читання вголос із гучністю, як у класі, 86 вчителів оцінили свій голос як здебільшого відновлений за 4–8 годин; невеликий залишок тримався добу чи довше.

Стаття сама собі суперечить щодо точних цифр: в анотації — 90 % за 4–6 годин і повне відновлення за 12–18.³⁴

Найближча з наявних професій до цілоденної розмови з комп’ютером — оператор кол-центру. За 15 дослідженнями, у 33–68 % операторів у якийсь момент кар’єри бували проблеми з голосом, а в 27 % — на момент обстеження.³⁵

Одне опитування нарахувало 6,8 голосового симптому на оператора проти 1,7 у загальній популяції.³⁶

Прямі дані про користувачів диктування є лише з 1990-х і 2000-х, коли диктувати означало робити паузу після кожного слова.

В одній серії випадків п’ятеро людей, які перейшли на розпізнавання мовлення через біль у руках, перенапружили голос; після голосової терапії та коротших сеансів троє з п’яти пішли на поправку.³⁷

Записи м’язової активності в 10 людей вказували, що навантаження переміщується, а не зникає: менше постійного напруження в передпліччі й шиї, певною мірою в плечах, і тенденція до більшого — у перснещитоподібному м’язі, одному з м’язів гортані.³⁸

Сучасне диктування усуває ймовірну причину — пласке, машинне мовлення з паузою після кожного слова — і наближає мікрофон до рота, тож говорити можна тихо. Це обґрунтована надія, а не встановлений факт.

Жодне дослідження не вимірювало голосового навантаження в людей, які користуються сучасними застосунками для диктування чи голосовими режимами ШІ-моделей.

Справа не в місці. Справа в тому, хто слухає

Уявіть, що питаєте в телефона дорогу вдома, потім в автобусі, потім за робочим столом серед колег. І для більшості відповідь на питання «а чи не ніяково?» зміниться тричі.

Найкращі цифри на цю тему дає невеликий британський експеримент. 20 людей віком 23–32 роки дивилися короткі відео, де чоловік на нейтральному тлі шукає щось голосом або текстом, а потім позначали місця й аудиторії, при яких зробили б так само.

Голос виграв у тексту лише за кермом, де руки зайняті.³⁹

Хто слухає, важило більше, ніж де. Наодинці голос був прийнятним у 96 % відповідей; при друзях — у 83 %, при партнері — у 78 %, при родині — у 71 %. При колегах — у 26 %. При незнайомцях — у 16 %.

Серед аудиторій лише колеги й незнайомці робили голос значуще менш прийнятним за текст; серед місць — дім, пасажирське сидіння і робота. Спробуйте на собі, перш ніж дивитися на їхні відповіді.

В опитуванні 860 користувачів асистентів сором знижував намір і далі ними користуватися — саме на людях, тоді як гордість підвищувала його всюди.⁴⁰

Норма все одно зсунулася. В американських опитуваннях частка тих, хто користується голосом у ресторані з друзями, зросла з приблизно 25 % у 2017 році до понад 40 % у 2019-му.

Чоловіки вдавалися до голосових команд у 1,54 раза частіше за жінок, а 46 % казали, що їх дратує, коли так роблять інші.⁴¹

Спершу минає новизна. Сором’язливість теж минає

Хто купував розумну колонку, пам’ятає перший тиждень: таймери, жарти, музика, запитання заради забави. Потім новизна вивітрюється, і лишається звичка.

Як люди змінюються після початку, вимірюють майже лише на розумних колонках удома. У тритижневому дослідженні 7 літнім людям дали Echo Dot. Команд на тиждень поменшало на третину: 59,6, потім 50,1, потім 39,7.

Частка музики впала з 23,9 % команд до 2,9 %, а погоди і списків покупок — зросла. Одна учасниця зізналася, що спершу «почувалася дурною, розмовляючи з цією машиною»; наприкінці всі семеро сказали, що почуваються впевненіше й користуватимуться далі.⁴²

Довші журнали виглядають інакше. В історії запитів до Google Home 18 родин, у середньому за 58 тижнів, користування лишалося доволі стабільним.

Три родини невдовзі після покупки на тижні закинули колонку — через приватність, марність чи звичку, яка не склалася, — а потім повернулися до неї. Родини, що відмовилися назавжди, не досліджували. Керування домом зростало в міру того, як родини купували нові розумні пристрої.⁴³

Якщо люди й відходили, то через користь, надійність чи приватність, а не тому, що говорити вдома було ніяково.

Огляд 69 статей про соціальну прийнятність нагадує, що прийнятність змінюється, коли люди звикають до взаємодії, але лише три з них стежили за людьми, які пробують інтерфейс у повсякденному житті. У більшості людей просили уявити ситуацію або давали спробувати один раз у лабораторії.⁴⁴

Це головна прогалина для цієї сторінки. Я не знайшов жодного дослідження, яке стежило б за людьми, що перейшли на диктування на роботі, і тиждень за тижнем вимірювало б, як змінюється їхня ніяковість.

Культура вирішує, наскільки гучним дозволено бути голосу

Чи відповісте ви на повідомлення голосовим, чи текстом — багато в чому залежить від того, де ви живете.

В опитуванні YouGov 2023 року на 17 ринках 66 % воліли надсилати повідомлення текстом і 7 % — аудіо. Найсильніше текст переважав у Британії (83 %), Данії (80 %) і Швеції (78 %), найслабше — в Об’єднаних Арабських Еміратах (38 %); в Іспанії текст обирали 54 %, аудіо — 13 %.⁴⁵

Мобільний телефон пройшов через те саме двадцять років тому. 2007 року порівняли студентів із п’яти культур в одному університеті на Гаваях. Розмову телефоном в автобусі студенти з Японії оцінили на 2,53 бала з 5 — проти 3,50 у студентів зі Швеції та 3,44 з материкової частини США.⁴⁶

Японія виробила чітке правило — жодних розмов у потязі, а листи писати можна — і відійшла від голосу на людях, щойно з’явилася тиха альтернатива.

У США 2006 року 82 % людей хоча б час від часу дратували гучні телефонні розмови на людях, а частка тих, хто стикався з ними часто, до 2012 року впала з 50 % до 39 %.⁴⁷

У 2014 році користуватися телефоном на вулиці вважали нормальним 77 % американців, у громадському транспорті — 75 %, у ресторані — 38 %, а на нараді — 5 %.⁴⁸

Зсув ішов з обох боків: оточення стало терпимішим, а ті, хто дзвонить, — тихішими. І зупинився він на порозі переговорної.

Офіс вчиться шепотіти

У 2026 році ШІ-диктування дісталося офісів, і перші звістки звідти — це історії, а не цифри. Bloomberg описує, як воно переходить від одного столу до сусіднього: з’являються мікрофони на гнучких ніжках, і починається шепіт.⁴⁹

Аналітик, якого цитує Computerworld, називає ніяковість і страх відволікати колег серйозним поведінковим бар’єром.

Thumbtack, компанія, що працює повністю віддалено, дала Wispr Flow понад 200 працівникам, і її технічний директор визнає: звикнути говорити вголос, навіть сам на сам у кімнаті, вдалося не одразу.⁵⁰

Ринок не чекає, поки зміниться норма. Він робить голос тихішим. Wispr Flow продає режим шепоту й радить говорити приблизно за сантиметр від мікрофона.⁵¹

Дослідники зайшли далі ще 2018 року: SilentVoice від Microsoft розпізнавав короткі команди, вимовлені на вдиху, коли назовні просочується менш ніж 39 децибелів. Тренований мовець отримував помилку в 1,8 % слів, новий — у 7 %.⁵²

Люди готові проміняти точність на тишу. В експерименті 2021 року 12 учасників однаково охоче користувалися беззвучним мовленням — артикулювали слова без звуку — і з навмисно доданими 10–15 % помилок, і без них.

А от бажання говорити вголос від помилок падало. Усі 12 пояснили це приватністю та безпекою.⁵³

Найшвидше змінюється не сміливість людей. Найшвидше тихішає сам голос.

Єдине місце, де це виміряно в масштабі: лікарські записи

Медицина — єдина галузь, де голосове введення на основі ШІ-моделей виміряли на тисячах людей. Фонові ШІ-писарі слухають прийом і складають чернетку запису.

У найбільшому дослідженні, опублікованому в JAMA у квітні 2026 року, близько 1800 користувачів порівняно з 6770 лікарями, які писарем не користувалися, заощадили 16 хвилин документування на 8 годин прийомів — приблизно 10 %.

Часу, який ішов на роботу після закінчення зміни, значуще не поменшало. Лише 32 % вмикали писаря більш ніж на половині прийомів.⁵⁴

У рандомізованому дослідженні з 238 лікарями один писар скоротив час на запис на 41 секунду проти 18 секунд у контрольній групі, а інший значущої різниці не дав.⁵⁵ Вигорання знизилося з 51,9 % до 38,8 % за 30 днів — у дослідженні без контрольної групи.⁵⁶

У перевірених вручну записах пропуски траплялися у 18 % випадків, вигадані деталі — в 11,5 %; у 5,3 % була помилка, здатна завдати серйозної шкоди.⁵⁷ Голос заощаджував радше увагу, ніж хвилини, а платити за це доводиться перевіркою тексту.

Експерименти, яких ще ніхто не поставив

Це не дрібні дірки. Кожна картка нижче — питання, на яке ця сторінка хотіла відповісти числом і не змогла, бо жодне дослідження його не вимірювало.

• Опитування, яке рахує диктування

  Жодне опитування з випадковою вибіркою не вимірює диктування чи голосові розмови зі ШІ як окрему поведінку. Крива зростання тримається на заявах компаній.

• Голосова доза диктування

  Ніхто не вимірював час фонації чи голосове напруження в людей, які годинами диктують у сучасних застосунках.

• Безпечна норма на день

  Немає науково обґрунтованої межі, скільки годин мовлення на день безпечно для голосу.

• Руки після переходу

  Жодне рандомізоване дослідження не показує, що перехід на голос запобігає травмам рук від перенапруження чи лікує їх.

• Складання тексту за столом

  Немає контрольованого порівняння письма голосом і на фізичній клавіатурі із сучасним розпізнаванням. Найкращі дані — з 1983 і 1999 років.

• День, проведений у розмовах

  Жодне щоденникове чи довготривале дослідження не стежить за людьми, які працюють переважно голосом, і не вимірює їхньої розумової втоми.

• Як минає сором’язливість на роботі

  Жодне польове дослідження не стежить тиждень за тижнем за новими користувачами диктування в офісі. Усі довготривалі дослідження звички — про колонки вдома.

Як це перевірялося і що я залишив поза текстом

Я роблю Speak-Y — застосунок для голосового введення і запису зустрічей, і внизу цієї сторінки є його банер. Це привід читати дослідження з підозрою.

Тому кожна цифра, яку компанія навела сама про себе, — зокрема компанії з диктування, що конкурують із моєю, — позначена в тексті й заштрихована на графіках.

Дослідження проведено у вересні 2026 року за чотирма напрямами: поширення, швидкість і точність, втома і мислення, соціальна прийнятність. Кожну цифру, де це було можливо, простежено до першоджерела.

Малі вибірки залишено, бо інших даних немає, але розмір вибірки завжди вказано поруч із цифрою.

Моє власне прочитання всієї картини — і це думка: диктування стане нормою вдома, в машині й у кімнаті, де ти сам, лишиться предметом суперечок в опенспейсі й не з’явиться на нарадах — так само, як це сталося з телефонною розмовою. Змінити це здатні не сміливіші люди, а тихіший голос.