Typeless বিকল্প: Fn চাপুন, বলুন। আপনার ভয়েস আপনার ডিভাইসেই থাকে।

Typeless একটি চমৎকার প্রোডাক্ট। আমি কয়েক মাস ব্যবহার করেছি, এবং অভিজ্ঞতা খুবই মসৃণ—নির্ভুল রিকগনিশন, এবং LLM পলিশ ক্যাজুয়াল কমিউনিকেশনকে পরিষ্কার ও পেশাদার করে তোলে। Fn চাপুন, বলুন, ছাড়ুন, এবং এটি স্বয়ংক্রিয়ভাবে "আ" এবং "উম" সরিয়ে দেয়, পাঠানোর জন্য তৈরি টেক্সট দেয়। এই নিরবচ্ছিন্ন অভিজ্ঞতা সত্যিই দারুণ।

কিন্তু ব্যবহারের সময় আমি তিনটি সমস্যা খুঁজে পেলাম যা উপেক্ষা করা সম্ভব নয়:

1. ভয়েস আপলোড ডিলিট করা যায় না

প্রতিবার আপনি Fn চাপলে, আপনার ভয়েস ক্লাউড সার্ভারে যায়। Typeless জিরো ডেটা রিটেনশনের দাবি করে, কিন্তু এটি পলিসির প্রতিশ্রুতি, আর্কিটেকচারাল গ্যারান্টি নয়। আইনি নোট, মেডিকেল রেকর্ড, গোপনীয় ব্যবসায়িক আইডিয়া—যেকোনো পরিস্থিতি যেখানে সম্পূর্ণ প্রাইভেসি প্রয়োজন—ক্লাউড আপলোড গ্রহণযোগ্য নয়।

Whisper Notes আপনার Mac-এর Neural Engine বা iPhone চিপে OpenAI-এর Whisper large-v3-turbo লোকালি চালায়। অডিও কখনো আপনার ডিভাইস ছেড়ে যায় না। এটি পলিসি নয়—এটি ফিজিক্যাল রিয়ালিটি।

2. ধীর গতি—ASR-এর পর LLM প্রসেসিংয়ের জন্য অপেক্ষা

Typeless-এর ওয়ার্কফ্লো: স্পিচ রিকগনিশন (ASR) → ক্লাউডে আপলোড → LLM পলিশ → টেক্সট ফেরত। এই প্রক্রিয়ায় সময় লাগে।

Whisper Notes সরাসরি Neural Engine-এ ট্রান্সক্রাইব করে, প্রায় 10-12x রিয়েল-টাইম স্পিডে। কোনো নেটওয়ার্ক লেটেন্সি নেই। কোনো সার্ভার কিউ নেই। 60 সেকেন্ডের রেকর্ডিং প্রায় 5 সেকেন্ডে শেষ হয়।

ট্রেড-অফ: Typeless ধীর কিন্তু পলিশড টেক্সট দেয়; Whisper Notes দ্রুত কিন্তু হুবহু শব্দানুবাদ।

3. $30/মাস সাবস্ক্রিপশন

Typeless ক্লাউড ইনফ্রাস্ট্রাকচার পরিচালনা করে—সার্ভার, থার্ড-পার্টি LLM API—যার খরচ ক্রমাগত আসে। সাবস্ক্রিপশন সেই ইনফ্রাস্ট্রাকচারের অর্থায়ন করে। ক্লাউড সার্ভিসের জন্য এটি যুক্তিসঙ্গত মূল্য নির্ধারণ।

Whisper Notes-এর কোনো ক্লাউড ব্যাকএন্ড নেই। কম্পিউটেশন আপনার হার্ডওয়্যারে হয়, আপনার বিদ্যুতে। কোনো রিকারিং খরচ নেই মানে কোনো রিকারিং ফি নেই। সফটওয়্যার যা আপনার নিজের ডিভাইসে চলে, ওপেন-সোর্স মডেল (Whisper) ব্যবহার করে—এটি ভাড়া নেওয়ার বদলে কেনা উচিত নয় কি?

দুটি অ্যাপই Fn key সিস্টেম-ওয়াইড ডিক্টেশন সাপোর্ট করে। এটি মূল ফিচার।

Whisper Notes এর বাইরেও দেয়:

অডিও ফাইল ইমপোর্ট: আগে থেকে রেকর্ড করা অডিও বা ভিডিও ফাইল ড্র্যাগ করুন। ইন্টারভিউ, মিটিং, লেকচার—যেকোনো কিছু যা আগেই ক্যাপচার করা হয়েছে, ট্রান্সক্রাইব করুন। Typeless শুধু লাইভ ডিক্টেশনে ফোকাস করে।

মডেল ফ্লেক্সিবিলিটি: বর্তমানে Whisper large-v3-turbo চালায়। ভবিষ্যত আপডেটে অতিরিক্ত মডেল (Parakeet, Gemini-ভিত্তিক স্পিচ মডেল) সাপোর্ট আসতে পারে। Typeless প্রোপ্রাইটারি ক্লাউড LLM ব্যবহার করে।

এক্সপোর্ট ফরম্যাট: Text, SRT, VTT, JSON। আপনার যদি সাবটাইটেল বা স্ট্রাকচার্ড ডেটা দরকার হয়, Whisper Notes সামলে নেয়। Typeless কার্সরে টেক্সট ইনসার্শনের জন্য অপটিমাইজ করে।

আপনার ওয়ার্কফ্লো যদি শুধু মেসেজ ও ইমেইলের জন্য লাইভ ডিক্টেশন হয়, দুটি অ্যাপই কাজ করে। আপনার যদি ব্যাচ ট্রান্সক্রিপশন, সাবটাইটেল জেনারেশন, বা মডেল চয়েস দরকার, Whisper Notes বেশি ইউজ কেস কভার করে।

Typeless-এর কিছু প্রকৃত শক্তি আছে যা নির্দিষ্ট ব্যবহারকারীদের জন্য এটিকে ভালো পছন্দ করে তোলে:

পলিশড ক্যাজুয়াল কমিউনিকেশন: আপনার প্রধান ব্যবহার যদি Slack মেসেজ এবং দ্রুত ইমেইল হয়, Typeless-এর LLM ক্লিনআপ উল্লেখযোগ্যভাবে পরিষ্কার আউটপুট দেয়। এটি স্বয়ংক্রিয়ভাবে ফিলার শব্দ সরিয়ে দেয়। যারা শব্দানুবাদ সঠিকতার চেয়ে পলিশকে বেশি গুরুত্ব দেন, তাদের জন্য এটি সত্যিকারের সুবিধা।

Windows সাপোর্ট: Whisper Notes শুধু Mac/iOS-এ পাওয়া যায়। আপনি Windows-এ কাজ করলে, Typeless সেই কয়েকটি উচ্চ-মানের অপশনের একটি যা দুটি প্ল্যাটফর্মই কভার করে।

Context-Aware ফরম্যাটিং: Typeless টার্গেট অ্যাপ্লিকেশন অনুযায়ী টোন ও স্ট্রাকচার অ্যাডজাস্ট করে। Slack-এ ক্যাজুয়াল ফরম্যাটিং; Gmail-এ প্রফেশনাল ফরম্যাটিং। এটি উন্নত সফটওয়্যার ইঞ্জিনিয়ারিং।

ফ্রি টিয়ার: Typeless প্রতি সপ্তাহে 4,000 শব্দ বিনামূল্যে দেয়। হালকা ব্যবহারকারী হলে ফ্রি টিয়ারই যথেষ্ট হতে পারে। Whisper Notes-এর প্রাথমিক মূল্য $4.99 (খুবই কম, কিন্তু বিনামূল্যে নয়)।

আপনি ক্লাউড প্রসেসিংয়ে বিশ্বাস করলে, AI পলিশড আউটপুট চাইলে, এবং ক্রস-প্ল্যাটফর্মে কাজ করলে, Typeless ভালোভাবে তৈরি সফটওয়্যার। এটি নিম্নমানের নয়; এটি আর্কিটেকচারালভাবে ভিন্ন।

ভবিষ্যত পরিকল্পনা: লোকাল LLM পলিশ

আমরা ঐচ্ছিক লোকাল LLM পোস্ট-প্রসেসিং যোগ করার কথা ভাবছি—লোকাল ASR → লোকাল LLM পলিশ। ডিভাইসে মডেল (যেমন Llama বা Mistral) ব্যবহার করে, আপনি প্রাইভেসি বজায় রেখেই পলিশড ক্যাজুয়াল স্পিচ পেতে পারবেন। ভয়েস বা টেক্সট কিছুই আপলোড হবে না। এটি দুই জগতের সেরা সংমিশ্রণ হবে: পলিশড আউটপুট + আর্কিটেকচারাল প্রাইভেসি গ্যারান্টি।

Whisper Notes আপনার কথা পরিষ্কার করে না। আপনি বারবার "আ" এবং "উম" বললে, ট্রান্সক্রিপ্টে সেগুলো থাকবে। এটি হুবহু শব্দানুবাদ।

পেশাদার ডকুমেন্টেশনের জন্য—আইনি সাক্ষ্য, মেডিকেল নোট, সাংবাদিকতার ইন্টারভিউ—শব্দানুবাদই একমাত্র গ্রহণযোগ্য পদ্ধতি। যা বলা হয়েছে তা ট্রান্সক্রিপ্টে হুবহু থাকতে হবে।

ক্যাজুয়াল যোগাযোগের জন্য, শব্দানুবাদ কিছুটা অমসৃণ লাগতে পারে। আপনি যদি বলেন "তো, উম, মানে, আমি মনে করি আমাদের, আ, হয়তো এটা চেষ্টা করা উচিত," ঠিক তাই পাবেন। Typeless এটিকে "আমি মনে করি আমাদের এটা চেষ্টা করা উচিত" তে পরিণত করত।

ভবিষ্যত বিবেচনা: আমরা ঐচ্ছিক লোকাল LLM পোস্ট-প্রসেসিং (অন-ডিভাইস, Llama বা Mistral-এর মতো মডেল) যোগ করতে পারি সেই ব্যবহারকারীদের জন্য যারা ক্লাউড আপলোড ছাড়া ক্লিনআপ চান। এটি প্রাইভেসি বজায় রেখে পলিশ যোগ করবে। কিন্তু এখনো বাস্তবায়িত হয়নি।

বর্তমান বাস্তবতা: পলিশড ক্যাজুয়াল আউটপুট চাইলে Typeless ভালো UX দেয়। শব্দানুবাদ সঠিকতা চাইলে বা ক্লাউড আপলোড না চাইলে, Whisper Notes যুক্তিসঙ্গত পছন্দ।

আমরা প্রাইভেসি ও গতি অপটিমাইজ করতে বেছে নিয়েছি। এর মানে ক্যাজুয়াল ব্যবহারে কম পলিশড আউটপুট মেনে নেওয়া। সৎ কৌশল: আমরা সুবিধার বদলে ডেটা সার্বভৌমত্ব বেছে নিই।