Я начинал с вопроса, как сделать голосовой ввод удобнее. Исследование привело к другому вопросу: в какой ситуации человек вообще будет им регулярно пользоваться?

Голосовой ввод текста: оказалось, главный вопрос не в скорости речи

Последние недели я исследую разные работы, которые потенциально можно автоматизировать или передать цифровым исполнителям.

Одна из гипотез выросла из инструмента, которым я сам давно пользуюсь каждый день по 100 раз минимум.
Я много использую голосовой ввод текста вместо того, чтобы печатать.
Система расшифровывает речь, приводит текст в порядок, после чего я использую его в сообщениях, документах и других рабочих задачах.

Отсюда появился довольно очевидный вопрос.
Можно ли превратить это в отдельный продукт, который работает на компьютере и телефоне, позволяет диктовать текст в разных приложениях и продолжать работу между устройствами?

Я запустил отдельное исследование. И в процессе понял, что исходный вопрос был поставлен слишком технологично.

Главное ограничение голосового ввода оказалось не в скорости распознавания и даже не в качестве текста.
Главный вопрос проще:

Находится ли человек сейчас в ситуации, в которой ему вообще нормально говорить вслух?

Это довольно сильно поменяло саму гипотезу.

Быстрее говорить ещё не значит пользоваться голосом

На поверхности всё выглядит логично.
Человек обычно говорит быстрее, чем печатает. Современные системы достаточно хорошо распознают речь. После распознавания текст можно дополнительно почистить: убрать оговорки, расставить пунктуацию, разбить на абзацы.

Кажется, остаётся сделать удобный интерфейс.
Но представим человека, который весь день работает за компьютером и создаёт много текста. По объёму работы он выглядит идеальным пользователем.

Только сидит он в открытом офисе ещё с десятью людьми.
Даже если голосом ему объективно быстрее, вряд ли он будет полдня разговаривать с компьютером вслух.

Другой пример - удалённая работа.
Человек дома, значит, вроде бы всё подходит.
Но вечером рядом спят дети. Или квартира небольшая и рядом находится семья.
Технически голосовой ввод доступен.

Практически человек снова открывает клавиатуру.

Получается важное ограничение:

Потребность создавать много текста ещё не означает потребность в голосовом вводе.

Между ними есть ещё одно условие - человеку должно быть удобно и социально нормально говорить в этот момент.

Поэтому профессия оказалась слабым способом сегментации

Сначала хотелось искать потенциальных пользователей среди очевидных групп: руководителей, программистов, авторов, маркетологов, консультантов, аналитиков и юристов.

Но профессия здесь мало что объясняет.

Два программиста могут делать одинаковую работу.
Один работает один дома и может спокойно говорить несколько часов.
Второй сидит среди коллег и практически никогда не будет диктовать.

Два руководителя тоже могут находиться в совершенно разных условиях.
У одного отдельный кабинет.
У другого весь день встречи и люди вокруг.

Поэтому сейчас потенциального регулярного пользователя я бы описывал не должностью, а сочетанием условий:
есть регулярная текстовая работа + печатать сейчас неудобно или медленно + говорить сейчас можно + такая ситуация возникает достаточно часто.

И только после этого имеет смысл смотреть, в каких профессиях такое сочетание встречается чаще.

Идея единого пространства между устройствами тоже оказалась слишком ранней

В исходной гипотезе мне нравилась идея одной системы.
Надиктовал что-то с телефона.
Пришёл за компьютер.
Текст уже там.
Продолжил работать.
Все прошлые диктовки сохраняются.
Можно работать с сообщениями, заметками, файлами и расшифровками в одном месте.

Как продуктовая конструкция это выглядит красиво.
Но исследование не показало, что пользователю нужен именно весь этот набор.

Вместо одной большой работы внутри обнаружилось несколько разных.
И это уже опасная точка. Можно собрать универсальный продукт из десяти хороших функций и потом обнаружить, что ни одна из них сама по себе не настолько важна, чтобы человек регулярно менял ради неё привычный способ работы.

Поэтому вместо дальнейшей разработки я разделяю исходную гипотезу на четыре отдельных исследования.

1. Я не за компьютером, и мне неудобно печатать

Первый сценарий - телефон.
Человек идёт, едет пассажиром, находится между встречами, перемещается по объекту, держит что-то руками или просто хочет быстро зафиксировать мысль.

Здесь ситуация уже совершенно другая.
Говорить в телефон на улице или в машине социально нормально. А печатать часто действительно неудобно.

Работа выглядит примерно так:

Мне нужно сейчас создать или зафиксировать текст. Печатать неудобно, говорить можно. Я хочу наговорить мысль и сразу получить нормальный текст.

И как раз на недавней встрече я получил хороший качественный сигнал по этому сценарию.
Собеседница уже активно использует голосовой ввод и оценивает свой объём примерно в 50-60 сообщений в день.

Причём не только в Telegram.
Она диктует текст в заметки, другие мессенджеры и другие приложения телефона.

Текущий способ её не устраивает прежде всего тем, что после диктовки приходится исправлять слова, пунктуацию и сам текст.

Во время разговора появилась ещё одна развилка.
Первый вариант - отдельная кнопка, которая всегда доступна поверх других приложений.
Нажал, наговорил, получил текст в нужном месте.

Второй вариант - собственная клавиатура с хорошим голосовым вводом.
Она автоматически появляется везде, где пользователь собирается что-то написать.

Но это уже не две разные пользовательские работы.
Это два возможных способа решить одну работу.
И один разговор, даже очень показательный, не доказывает массовый спрос.
Поэтому мобильный сценарий теперь идёт в отдельное исследование.

2. Я за компьютером и могу спокойно говорить

Второй сценарий ближе всего к обычной диктовке текста голосом.

Человек работает за компьютером.
Создаёт много текста.
И находится в условиях, где может свободно разговаривать.

Это может быть работа из дома, отдельный кабинет или просто регулярные периоды, когда рядом никого нет.
Работа выглядит очень просто:

Вместо того чтобы печатать, я нажимаю одну клавишу, говорю естественно и получаю практически готовый текст прямо там, где работаю.

Причём слово “готовый” здесь, возможно, важнее самой расшифровки. Если я минуту диктую, а потом ещё минуту исправляю пунктуацию, оговорки, повторы и структуру, преимущество быстро исчезает.

Отсюда появляется отдельный вопрос.
Что на самом деле нужно пользователю:
распознавание речи
или
превращение разговорной речи в нормальный письменный текст?

На первый взгляд разница небольшая. С точки зрения продукта она существенная.
И это второе отдельное исследование.

3. Разговор закончился, и теперь из него нужно что-то сделать

Третий сценарий ещё дальше от классического голосового ввода.

Представим встречу с клиентом. Встреча закончилась.
Теперь нужно зафиксировать договорённости, записать задачи, обновить CRM, подготовить письмо, поставить следующее действие и не забыть важный контекст.

Сам разговор можно обработать несколькими способами.
Можно автоматически записать онлайн-встречу.
Можно записать офлайн-разговор.
А можно вообще не записывать саму встречу, а после неё за две минуты самому наговорить основные выводы.

Технологически это разные решения. Но работа пользователя одна:

Разговор закончился. Я не хочу потерять его результат и потом вручную восстанавливать всё по памяти.

И здесь ценность потенциально уже не в транскрипции.
Бизнесу обычно нужен не текст разговора сам по себе.
Ему нужны решения, задачи, следующее действие, письмо или запись в CRM.

То есть ценность может находиться не в цепочке:
разговор -> текст
а в цепочке:
разговор -> рабочий результат

Это третье отдельное исследование.

4. У меня уже есть запись

Четвёртый сценарий я теперь вообще отделяю от голосового ввода.

У человека уже есть аудиофайл, интервью, запись встречи, видео, подкаст, голосовое сообщение или запись диктофона.
Здесь человек ничего не диктует системе. Работа начинается с другого:

У меня уже есть запись. Мне нужно получить из неё полезный результат.

И здесь базовая транскрипция может оказаться только первым техническим шагом.
Из интервью нужна статья.
Из встречи - протокол.
Из разговора с клиентом - задачи.
Из исследования - цитаты и выводы.
Из видео - материалы для дальнейшей работы.

Поэтому вопрос этого исследования уже не в том, нужен ли людям сервис расшифровки. Вопрос в другом:
какую повторяющуюся работу люди делают после расшифровки и где там остаётся дорогой ручной труд?

Вместо одного продукта получилось четыре исследования

Первое исследование не привело меня к ответу:

“Вот этот продукт нужно делать”.

И для меня это нормальный результат. Вместо этого появилась более точная карта.
Сейчас я вижу 4 отдельные работы:

1. телефон и движение,
2. приватная работа за компьютером,
3. результат после разговора
4. обработка уже существующей записи.

У этих работ разные конкуренты.
Разная частота.
Разные ограничения.
Разная экономика.
И, возможно, совершенно разные причины платить.

Поэтому сейчас правильный следующий шаг для меня - не выбирать интерфейс и не начинать разработку.
А отдельно исследовать каждую из четырёх работ.

Что в итоге дало первое исследование

Оно не подтвердило рынок универсального голосового пространства.
Не подтвердило готовность массового пользователя платить за такой продукт.
Не подтвердило долгосрочное использование.
И не дало достаточных оснований считать предполагаемую частоту профессиональной диктовки доказанным фактом.

Но оно помогло убрать несколько неправильных допущений.
Первое.
Количество текста само по себе плохо определяет потенциального пользователя голосового продукта.
Нужно учитывать ситуацию, в которой этот текст создаётся.

Второе.
Голосовой ввод не является одной работой.
Надиктовать сообщение на ходу, написать документ за компьютером и обработать запись встречи - это разные задачи, хотя внутри используется одна и та же технология распознавания речи.

Третье.
Технологическая возможность ещё не означает продуктовую ценность.
То, что можно сделать хорошее распознавание, синхронизацию и историю, ещё не означает, что пользователю нужен весь этот набор.

Куда двигаюсь дальше

Теперь для каждой из четырёх гипотез я хочу получить ответы примерно на одни и те же вопросы.
Как часто эта ситуация реально возникает?
Что человек делает сегодня?
Насколько существующий способ его не устраивает?
Что происходит, если ничего не менять?
Есть ли уже повторяющееся поведение?
Платит ли человек за альтернативу?

И только после этого имеет смысл решать, каким должен быть продукт.
Кнопкой поверх других приложений.
Клавиатурой.
Программой на компьютере.
Сервисом для встреч.
Или вообще небольшой функцией внутри другого рабочего процесса.

Для меня это и стало главным результатом исследования.
Я начинал с вопроса, как сделать голосовой ввод удобнее.
А закончил вопросом, в какой ситуации человек вообще будет им регулярно пользоваться.

Теперь исследовать нужно именно это.