Notatki głosowe

Jak wylać swoją wiedzę która w tobie siedzi? O tym jak LLM wspomaga nas w zapisywaniu pomysłów.

Problem

Pewnie wielu z nas boryka się z dużą ilością pomysłów, które zapisujemy na kartkę, a potem nam umykają. Lub mamy już pełen szkic pomysłu w głowie, ale nie mamy czasu go uszczegółowić bądź zrealizować w natłoku obowiązków.

Ja miałem parę niedokończonych tematów:

Moją stronę internetową, którą wiedziałem jak mam zmienić tylko nie miałem czasu bo był to temat czysto kreatywny, a nie miał potencjału do zysku.
Stać się aktywniejszy w branży i podzielić się szerszej publiczności wiedzą jaką dzielę się ze znajomymi i otoczeniem. Bo uwielbiam dzielić się wiedzą i uważam że warto dzielić się “know how” bo to nie jest wielka przewaga konkurencyjna. Przewagą jest dla mnie wiedza jak to wykorzystać.
Rozwinąć marketing mojej firmy.

Dziś na tapetę chcę wziąć temat nr 2. W 2022 zacząłem pisać artykuły na bloga. Sporo wiedzy. Już nawet miałem wszystko przygotowane i wrzucone na stronę, ale brakowało mi ostatnich szlifów. Uzupełnienie merytoryki. Poprawienie błędów. Przetłumaczenie na dwa języki. I tak temat utknął. Bo były tematy bieżące.

Dziś w dniu pisania tego artykułu zdążyłem napisać już trzy. A ten piszę z czystej przyjemności pisania. Wykorzystałem do tego AI, ale nie tak jak myślicie. Dalej każde zdanie jest moim zdaniem.

Idea

Pomysł na ten proces pojawił się po tym jak przeczytałem post Ilya Sutskever o tym, że zaczął on dyktować głosem swoim agentom/LLM/AI zadania. Opisał to w taki sposób, że używa prostego speech-to-text do przekładania mowy na tekst. I najważniejsze co w tym było to to, że nie przejmował się formatowaniem tekstu. Wylewał po prostu wszystkie swoje myśli, nawet błędne zdania. Wylewał cały swój proces z wiedzą, że LLM i tak to ogarnie i zrozumie. Tutaj mnie olśniło.

Rozwiązanie to TTS + LLM

Naszkicuję mam mój obecny proces. Odwożąc dzieci, bądź wracając z pracy. Włączam nagrywanie i tworzę notatki głosowe na konkretny temat. Taką notatkę wrzucam do speech-to-text takiego jak Orukeet lub Parakeet. Świetnie się sprawdzają w języku polskim. Dodatkowo używam najprostszych modeli. One wypluwają mi transkrypcję - z błędami, z przemieszanymi słowami. Są to wylane moje myśli bez żadnego filtra. Wtedy włączam LLM. Mam ustawiony prompt który nakazuje trzymać się mojego tekstu, ale:

poprawiać stylistykę interpunkcję,
poprawiać niewyraźne wyrazy które powinny być inne (znając kontekst),
Jeżeli w jakimś miejscu rozwinąłem temat podwójnie to scalić to w jedno,
podzielić ten tekst na pasujące do siebie akapity i ew. pogrupować zdania jeżeli pasują do innego akapitu (to mój słowotok, czasami skaczę po tematach, albo wracam do poprzedniego).

Tak oto dostaję pięknie skomponowaną notkę do bloga. Upiększam to obrazkami i wykresami już we własnym zakresie.

Ale to nie wszystko…

Akurat Google udostępnił tworzenie skilli więc stworzyłem mu skilla, który dodaje do artykułu metadane jak tytuł, tagi, “summary” w odpowiednim formacie do mojego bloga.

Ale to nie wszystko!!!

Miałem już darmową aplikację korzystającą z Orukeet i tworzącą notatki, ale i tak musiałem to przerzucać do Gemini… Dlatego poprosiłem agenta, żeby zrobił mi aplikację do transkrypcji z Orukeet, która potem od razu formatuje z zadanym promptem. Agent wyrzucił mi to w 5 minut. Gotowa aplikacja w Rust i Tauri, korzystająca z Orukeet i gemma4:e4b małego modelu od Google który uruchamia się całkowicie lokalnie. Sprawdza się idealnie.

Nawet nie będę tego tu udostępniał bo myślę, że każdy z Was może już to zrobić całkiem sam. Korzystam teraz z tego codziennie.