--- title: "Szept: ChatGPT rozumiał mój polski. Claude Code, Gmail i Slack już nie" author: Mariusz Szyma date: 2026-09-24 lang: pl canonical: https://szyma.co/blog/szept/ data_as_of: 23 IX 2026 --- # Szept: ChatGPT rozumiał mój polski. Claude Code, Gmail i Slack już nie Większość dnia rozmawiam z agentami: Claude Code, Codex, Cursor. Piszę im długie polecenia, pokazuję zrzuty ekranu, tłumaczę, co jest nie tak z layoutem. Dwie rzeczy zabierały mi przy tym najwięcej czasu: pisanie tego wszystkiego ręcznie i opisywanie słowami, co widzę na ekranie. Szept to aplikacja na Maca, którą zbudowałem przede wszystkim dla siebie, żeby oba te problemy zniknęły. Przytrzymuję `fn`, mówię, puszczam, a tekst pojawia się przy kursorze. Zaznaczam kawałek ekranu, przytrzymuję `fn`, mówię, co ma zrobić agent, a on dostaje zrzut razem z moim zdaniem. *17-sekundowa pętla z Szeptem na pulpicie Maca: dyktowanie do Notatek, zrzut ekranu, nagrywanie ekranu z dźwiękiem i przekazanie zrzutu do Claude Code.* ## Problem pierwszy: dobre dyktowanie po polsku, ale tylko w cudzej aplikacji Mówię po polsku, z wtrąconymi angielskimi słowami z produktu. Jedno zdanie do agenta to często „dodaj na onboardingu krok, gdzie user wkleja API key, i od razu sprawdź, czy działa”. Dobre dyktowanie do tego już istnieje: ChatGPT i Cursor mają je wbudowane i działa świetnie. Tyle że tylko w ChatGPT i w Cursorze. W Claude Code, w terminalu czy w mailu nie miałem niczego, czego chciałbym używać. Potrzebowałem jednego narzędzia, które działa w każdej aplikacji, radzi sobie z polskim i angielskimi terminami, jest na tyle lekkie, żeby trzymać je otwarte cały dzień, kosztuje grosze zamiast abonamentu i jednym gestem przekazuje agentowi zrzut ekranu. Każde narzędzie, które znalazłem, spełniało część tych warunków, nigdy wszystkie naraz. Kiedy zaczynałem budować tę aplikację, rozpoznawanie mowy działało na samym Macu: najpierw Qwen3-ASR na MLX od Apple, potem Whisper od OpenAI przez WhisperKit, którego dodałem właśnie z myślą o polskim. Problemem nie było rozpoznawanie, tylko ciężar: lokalny model to gigabajty pamięci i duże pobieranie, a ja chciałem aplikacji, którą trzymam otwartą cały dzień. Wbudowane dyktowanie w macOS wymaga wyboru jednego języka. Do tego dochodzą „yyy”, powtórzenia i falstarty, które w mowie są naturalne, a w poleceniu dla agenta są szumem. Przeniosłem więc mowę do chmury, najpierw do ElevenLabs Scribe, potem do Soniox, który u mnie po polsku sprawdził się najlepiej. Dobrze rozumie, co mówię, jest bardzo szybki i do tego tani. Szept używa jego modelu `stt-rt-v5`, który rozpoznaje ponad 60 języków i przełącza się między nimi w środku zdania. W słowniku można dodać nazwy i żargon, żeby wychodziły poprawnie zapisane. Od puszczenia klawisza do gotowego tekstu mija około 180 ms. *Interaktywne demo: przytrzymany fn, słowa pojawiają się w pigułce na dole ekranu, a po puszczeniu klawisza trafiają do notatki.* ## Problem drugi: ten sam tekst ma inny kształt w mailu, na Slacku i w terminalu Surowa transkrypcja to dopiero połowa. Mail potrzebuje akapitów i podpisu, wiadomość na Slacku ma być jedną linijką, a polecenie w terminalu nie może mieć „poprawionej” interpunkcji, bo wtedy przestaje działać. Szept sprawdza, do jakiej aplikacji trafia tekst, a w przeglądarce również adres strony (Gmail w Brave to nadal mail), i przekazuje tę informację do porządkowania tekstu przez AI. Porządkowanie usuwa „yyy”, powtórzenia i falstarty, poprawia interpunkcję i zostawia moje słowa. Nie wymyśla powitań ani podpisów: w mailu używa wyłącznie podpisu, który sam zapisałem w ustawieniach. Jeśli model nie odpowie w 3 sekundy, wkleja się tekst tak, jak go podyktowałem, więc nigdy nie czekam dłużej. `fn` z `⌘` wymusza porządkowanie dla jednego dyktowania, bez zmiany ustawień. *Interaktywne demo: jedno podyktowane zdanie z wykreślonymi wtrąceniami i uporządkowany wynik w wersji na maila, na Slacka i bez porządkowania.* ## Problem trzeci: agentowi trzeba pokazać, a nie opisać Najwięcej czasu traciłem na opisywanie ekranu. „Przycisk nachodzi na stopkę, ale tylko przy wąskim oknie, po prawej, pod formularzem”. Zrzut ekranu mówi to w sekundę. Do zrzutów używałem Larka, bo miał najlepsze narzędzia do adnotacji. Na moim Macu `LarkSuite.app` zajmuje 1,5 GB (`du -sh`, 23 września 2026), a potrzebowałem z niego jednej funkcji. W Szepcie `⌘ ⇧ A` zatrzymuje ekran. Wybieram okno albo zaznaczam obszar, dodaję strzałki, ramki, rozmycie i tekst, przypinam zrzut na wierzchu, wyciągam z niego tekst albo odczytuję kod QR. Scrollshot skleja przewijaną stronę w jeden obraz. ![Zrzut ekranu: zaznaczony obszar, pasek narzędzi pod spodem i ramka dorysowana wokół problemu.](https://szyma.co/blog/img/szept-zrzut.d5f5370d.webp) `⌥ ⇧ R` nagrywa ekran z dźwiękiem systemu i mikrofonem, z kamerką w kółku i efektami kliknięć. Nagranie mogę przyciąć i zapisać jako MP4 albo GIF. ![Nagrywanie: czerwona ramka wokół nagrywanego obszaru, poziomy dźwięku systemu i mikrofonu oraz kamerka w rogu.](https://szyma.co/blog/img/szept-nagrywanie.55f65840.webp) ## To, po co Szept powstał: jedno zdanie do agenta Wszystko powyżej łączy się w jeden gest. Gdy na ekranie jest zrzut albo nagranie, przytrzymuję `fn` i mówię, czego chcę. Szept zapisuje plik, zamyka okno zrzutu i wkleja moje zdanie razem ze ścieżką do pliku do aplikacji, z której zacząłem: terminala z Claude Code, Codeksa, Cursora albo czatu. Nic nie jest wysyłane, dopóki sam nie nacisnę Enter. ![Przekazanie agentowi: zdanie wypowiedziane nad zrzutem trafia do Claude Code razem ze ścieżką do pliku.](https://szyma.co/blog/img/szept-agent.be99853b.webp) To zmieniło sposób, w jaki pracuję z agentami. Zamiast akapitu opisu mam jedno zdanie i obraz, a agent nie musi zgadywać, o który przycisk chodzi. ## Lekka, bo mowa działa w chmurze Lokalne silniki mowy są ciężkie. Model Whisper large-v3 waży 2,9 GB, a nawet skwantyzowany Whisper tiny ma 31 MB. Szept nie trzyma modelu ani na dysku, ani w pamięci, bo rozpoznawanie mowy działa w chmurze. Zainstalowana aplikacja ma 4,9 MB, w spoczynku zajmuje 24–32 MB pamięci, zużywa 0,0% CPU i wybudza się około 0,1 razy na sekundę (Finder: około 38 razy). Koszt jest równie mały. Mowa działa na moim własnym kluczu Soniox i kosztuje około 0,12 $ za godzinę mówienia. Dla porównania: ElevenLabs Scribe v2 Realtime to 0,39 $, Deepgram Nova-3 0,55 $, a transkrypcja na żywo od OpenAI 1,02 $ za godzinę. Szept nic do tego nie dolicza i nie ma własnych serwerów. *Wykresy w skali: godzina mowy na żywo kosztuje 0,12 $ w Szepcie z kluczem Soniox, wobec 0,39–1,02 $ w innych API mowy; Szept waży 4,9 MB wobec 31 MB–2,9 GB lokalnych modeli Whisper; w spoczynku zużywa 0,0% CPU i 24–32 MB pamięci.* ## Dokąd trafiają dane Mowa idzie szyfrowanym połączeniem (TLS 1.2 lub nowszy) do Soniox, na Twoim własnym koncie. Soniox deklaruje certyfikaty SOC 2 Type 2 i ISO/IEC 27001:2022 oraz zgodność z RODO i HIPAA. W trybie na żywo nie przechowuje nagrań ani transkrypcji i nie używa ich do trenowania modeli; zostają tylko dane o użyciu, takie jak czas trwania, bez dźwięku i tekstu. Soniox oferuje regiony USA, UE, Japonii i Indii, wybierane dla projektu. Dzisiejsza wersja Szeptu łączy się z regionem USA; wersja, która sama rozpozna region klucza i dla projektu w UE będzie przetwarzać mowę wyłącznie w UE, jest w przygotowaniu. Porządkowanie tekstu przez AI jest opcjonalne. Domyślny dostawca, DeepSeek, przechowuje dane w Chinach, więc dla wrażliwych tekstów warto ustawić innego dostawcę zgodnego z OpenAI albo zostawić porządkowanie wyłączone. Historia, zrzuty i nagrania zostają na Twoim Macu, a ja nie mam serwerów i nie dostaję niczego. ## Dlaczego płacisz raz, a nie co miesiąc Szept zrobiłem dla siebie, ale chciałem go udostępnić innym. Zastanawiałem się, jak zrobić to uczciwie w czasach AI, kiedy prawie każde narzędzie zamyka człowieka w miesięcznym abonamencie, a koszty rosną z każdą kolejną subskrypcją. Wybrałem prosty model: płacisz raz, 9,99 $ dla pierwszych 100 osób, potem 25 $. W cenie jest podpisana i notaryzowana aplikacja, pełny kod w Swifcie w prywatnym repozytorium na GitHubie i rok aktualizacji. Potem możesz odnowić aktualizacje albo zostać przy tym, co masz; nic nie przestaje działać. Kod jest w zestawie celowo. Jeśli potrzebujesz innego modelu mowy, innego dostawcy AI albo zupełnie innego rozwiązania, możesz przebudować aplikację sam albo zlecić to swojemu agentowi. Żeby agent był przydatny od pierwszego dnia, w repozytorium jest to, czego sam potrzebowałem: `CLAUDE.md` z 78 spisanymi pułapkami, 5 specyfikacji projektowych, 12 planów implementacji i 638 testów. Pułapek nie da się zgadnąć. Przykład: aplikacja w sandboksie nie doda się sama do listy Dostępności w macOS, więc onboarding wskazuje przełącznik, którego nie ma. ## Jak to zbudowałem Większość Szeptu napisały agenty, a ja decydowałem, co budujemy, i sprawdzałem, co wraca. Głównym był Claude Opus 5.5 w Claude Code; obok niego pracował DeepSeek Harness na DeepSeek V4.1 Flash, jako drugi, tańszy wykonawca dobrze opisanych zadań i źródło drugiej opinii. Przez miesiące trzymały to w ryzach notatki projektu: każda pułapka, na którą trafiliśmy, lądowała w `CLAUDE.md`, więc następna sesja już na nią nie wpadała. Te notatki są w zestawie z kodem. ## Co dalej: społeczność wokół Szeptu Mam nadzieję, że wokół Szeptu powstanie społeczność ludzi, którzy przerabiają go pod siebie i dzielą się tym, co zbudowali: wtyczkami do innych modeli, integracjami, rozszerzeniami. Dziś licencja pozwala zmieniać Szept na własny użytek, prywatnie i w firmie, ale nie pozwala udostępniać kodu ani buildów. Chcę ją rozszerzyć tak, żeby kupujący mogli wymieniać się rozszerzeniami między sobą. Jeśli budujesz coś na Szepcie i chcesz się tym podzielić, napisz: [mariusz@szyma.co](mailto:mariusz@szyma.co). ## Dla kogo to jest Dla każdego, kto pracuje z agentami AI na Macu i ma dość przepisywania swoich myśli na klawiaturze. Działa w każdej aplikacji, która przyjmuje tekst, więc przydaje się też w mailach, na Slacku i w notatkach. Najbardziej zyskują jednak ci, którzy tak jak ja mówią po polsku w angielskim słowniku i codziennie tłumaczą agentom, co widzą na ekranie. Strona produktu, 49-sekundowy film i zakup: [szept.szyma.co](https://szept.szyma.co/pl/). ## Źródła - Liczby o aplikacji (4,9 MB po instalacji, 24–32 MB pamięci, 0,0% CPU, 0,1 wybudzenia na sekundę, około 180 ms): pomiary na wersji wydanej, narzędziami `du`, `footprint` i `top`, opublikowane na [szept.szyma.co](https://szept.szyma.co/pl/#light). - Ceny mowy na żywo: cenniki ElevenLabs, Deepgram, Google, Azure i OpenAI, zebrane na stronie [szept.szyma.co](https://szept.szyma.co/pl/#light); Soniox `stt-rt-v5`: około 0,12 $ za godzinę. - Rozmiary modeli Whisper: repozytorium modeli [whisper.cpp](https://huggingface.co/ggerganov/whisper.cpp). - Rozmiar `LarkSuite.app`: `du -sh /Applications/LarkSuite.app` na moim Macu, 23 września 2026. - Bezpieczeństwo i regiony Soniox: [Security and privacy](https://soniox.com/docs/security-and-privacy) i [Data residency](https://soniox.com/docs/data-residency). ## Zastrzeżenia Szept działa na macOS 14 i nowszych. Rozpoznawanie mowy wymaga połączenia z internetem i własnego klucza Soniox; zrzuty, nagrywanie i historia działają offline. Porządkowanie tekstu przez AI jest opcjonalne i wysyła tekst do wybranego dostawcy (domyślnie DeepSeek, który przechowuje dane w Chinach). Ceny konkurencji to cenniki z września 2026 i mogą się zmienić. To, co piszę o silnikach mowy, to moje doświadczenie z budowania tej aplikacji, a nie porównawczy test. Jestem autorem Szeptu, więc ten tekst nie jest niezależną recenzją.