Как я превратил старый игровой ноутбук в AI-дневник самочувствия

21:00, вторник: как работает мой AI-дневник самочувствия

Тёплый вечер на Коста-Бланке. Телефон коротко вибрирует. Это не мессенджер с работы и не новости. Это мой собственный бот, и он спрашивает одно и то же, что и вчера, и позавчера: как прошёл день, как сон, энергия, настроение, стресс, была ли тренировка.

Я не открываю никакое приложение с формами и слайдерами. Я зажимаю кнопку записи в Telegram и сорок секунд говорю как есть: спал около семи часов, утром была силовая, к вечеру подсела энергия, день в целом нормальный. Отпускаю кнопку и возвращаюсь к своим делам.

Дальше происходит то, ради чего всё затевалось. В другой комнате тихо шумит вентиляторами ноутбук, на котором я когда-то играл. Он принимает голосовое сообщение, локально превращает речь в текст, приводит сказанное к структурированной Markdown-записи, сохраняет оригинал рядом с итогом, делает commit и отправляет его в приватный репозиторий. Через несколько секунд бот присылает короткое подтверждение и один уточняющий вопрос, если я что-то забыл назвать.

Вся моя «запись в дневник» заняла меньше минуты. Но дневник — только одна роль более универсального персонального агента. Его можно попросить найти билеты, разобрать документ, написать письмо, помочь с кодом или напомнить о встрече. Самое ценное применение, которое я для него нашёл, оказалось другим: сопровождать моё физическое и эмоциональное состояние на длинной дистанции.

Я называю эту роль персональным AI-консьержем благополучия. Он принимает текст, голос и фото, хранит результаты анализов и медицинские документы, записывает тренировки и прогресс, собирает мои наблюдения о сне, энергии, стрессе и настроении. А потом возвращает всё это не россыпью сообщений, а связанной историей в моих собственных Markdown-файлах. В первой статье я расскажу, как к этому пришёл, почему система устроена именно так и где проходят её честные границы. Во второй будет полный воспроизводимый мануал установки, в третьей: эксплуатация, рефлексия, стоимость и приватность.

Ноутбук, который пять лет ждал новую работу

В 2019 году я купил Xiaomi Mi Gaming Laptop и был им искренне доволен. Хорошее железо, дискретная видеокарта, вечера за играми. Покупка полностью себя оправдывала, пока у меня было время её оправдывать.

С 2021 года я практически перестал играть. Не из принципа, просто на игры перестало хватать времени. В 2022 году началась полномасштабная война в Украине, и в том же году родилась моя дочь. Приоритеты пересобрались полностью, и ноутбук закрылся в последний раз на несколько лет. Он стоял на полке, дорогой и бесполезный, и каждый раз, когда взгляд на него падал, было немного жаль: внутри всё ещё хорошее железо, включая GPU, которому никто не давал работу.

В начале 2026 года волна интереса к персональным AI-агентам подсказала очевидную в ретроспективе мысль: always-on агенту нужна постоянно работающая машина, а у меня такая машина уже есть. Старый игровой ноутбук подходит на роль домашнего сервера лучше, чем кажется: он бесшумнее серверной стойки, у него есть «бесплатный встроенный ИБП» в виде батареи, а его GPU может локально гонять модели распознавания речи.

Сегодня он стоит в моём домашнем офисе, на открытой настенной полке, чуть выше уровня головы. Высота не дизайнерское решение: в квартире живёт кот, который считает любую тёплую технику своей собственностью, и полка остаётся единственным местом, куда он пока не допрыгнул. Так бывший игровой флагман стал самым странным сервером из всех, что я видел: стоит между книгами, подключён к розетке и роутеру и тихо делает git push, пока кот недовольно смотрит на него снизу.

Из этого эпизода вырос первый инженерный принцип всей системы: не покупать новое железо под эксперимент, а дать вторую жизнь тому, что уже есть. Если эксперимент провалится, я потеряю только время.

Мой пока ещё очень молодой Джарвис

Когда говорят о персональном AI-агенте, легко представить универсального помощника: найти билеты, написать письмо, разобрать документ, помочь с кодом, поставить напоминание. Мой агент тоже способен на такие поручения. Но довольно быстро я понял, что его самая ценная для меня роль находится не в работе. AI-агентов в рабочем workflow у меня и так достаточно. Мне хотелось помощника для той части жизни, которая обычно проваливается между календарём, заметками, медицинскими PDF, приложением для тренировок и собственной памятью.

Что-то между дневником, секретарём, архивариусом, внимательным собеседником и тренером, который не кричит про дисциплину. Я называю эту роль персональным AI-консьержем благополучия. Он хранит результаты анализов и помогает сравнивать их на длинной дистанции. Записывает тренировки, веса и прогресс. Собирает наблюдения о сне, энергии, питании, стрессе и настроении. Напоминает о врачах и других важных событиях. А вечером выслушивает рассказ о моём дне и возвращает его мне в более ясной форме.

Обычная напоминалка сообщила бы: «Приём у хирурга во вторник в 9:45». Агент может добавить контекст: «Ты сейчас в Испании — заранее подумай о переводчике для визита». Это всё ещё простая cron-задача, а не магия. Но она использует сохранённый контекст и говорит со мной в выбранном тоне, поэтому ощущается не как очередное системное уведомление, а как сообщение от помощника, который понимает, почему событие важно.

Возможно, когда-нибудь персональные агенты действительно станут похожи на Джарвиса или цифрового фамильяра, который сопровождает человека годами. Мой пока гораздо моложе: он живёт на старом ноутбуке, пишет Markdown-файлы и иногда напоминает мне подготовить переводчика к врачу. Но главное он уже умеет: сохранять контекст моей жизни дольше, чем его удерживает моя память.

Внешне всё это подозрительно похоже на обычный дневник. Я рассказываю, что произошло, а система складывает события в файлы. Но ценность появляется на длинной дистанции. Память сглаживает детали, настроение переписывает прошлое, отдельный плохой день кажется случайностью. Последовательные записи позволяют увидеть не один день, а повторяющиеся связи между сном, нагрузкой, тренировками, событиями и эмоциональным состоянием.

Агент не знает меня лучше врача или психолога и не должен притворяться, что знает. Его задача скромнее: помочь мне внимательнее наблюдать за собой, сформулировать мысли и вопросы, не потерять важные детали между консультациями. Его обратная связь — материал для саморефлексии, а не диагноз или терапия.

Я много раз начинал вести дневники и трекеры. Все они умирали одинаково: на третьей неделе заполнять форму руками становится лень, пропуски накапливаются, привычка рассыпается. Голосовое сообщение в Telegram ленью не убивается. Это самый дешёвый по усилиям способ фиксации, который я знаю: сорок секунд речи вместо пяти полей формы. По сути это life logging в его честном виде: записывать жизнь так, как она происходит, а не так, как удобно форме.

Вопрос был только в том, кто превратит этот поток сознания и разрозненные вложения в структурированные данные. Так появилось ядро требований: агент должен принимать текст, голос и картинки, помнить контекст в явных записях, выполнять поручения по расписанию, а на выходе давать единый формат, который переживёт любой сервис. То есть Markdown-файлы под версионным контролем.

Месяц с OpenClaw: впечатляюще, но не для меня

Первой попыткой стал OpenClaw, который позиционируется как personal AI assistant на собственных устройствах. Звучало как точное попадание в мою задачу, и возможности действительно впечатляли: множество каналов, companion-приложения, multi-agent routing, широкая экосистема автоматизаций.

Я настраивал и эксплуатировал его около месяца и постепенно понял неудобную вещь: использую процентов десять платформы, а обслуживаю все сто. Для широкой multi-channel системы такой масштаб может быть оправдан, но мой сценарий был один: единственный пользователь, один Telegram-канал, один ежедневный workflow. Это не вывод о надёжности OpenClaw вообще, а результат моего опыта с одной конфигурацией.

Отсюда второй принцип: для узкой задачи операционная простота важнее широты возможностей. Каждый компонент, который я не использую, всё равно требует моего внимания, когда ломается.

Почему подписки не стали инфраструктурой

Параллельно я упёрся в вопрос, на чём это всё должно думать. Первая мысль была очевидной: у меня уже оплачены подписки на сильные модели, почему бы агенту не использовать их. Я экспериментировал с доступом через подписочные продукты и смежный инструментарий, но быстро понял, что строить личную инфраструктуру на этом нельзя: политики доступа для сторонних агентов у провайдеров менялись, и subscription-backed доступ оказался нестабильной основой, зависящей от текущих правил, а не от моих решений.

Хорошо, тогда честные API-вызовы. И здесь меня ждала вторая неудобная правда: постоянно работающий агент с heartbeat, cron-задачами и tool calls потребляет токены совсем не так, как чат, в который заходишь пару раз в день. При прямой оплате премиальных моделей рутинный фон обходится существенно дороже, чем кажется по опыту обычного чата.

Третий принцип: для рутинной нагрузки нужна дешёвая модель, а сильную оставить для редких сложных задач. Нормализация вечернего голосового сообщения в структурированную запись не требует флагманского интеллекта. Это конвейерная работа: классифицировать, извлечь, отформатировать.

Требования к системе: один пользователь, Telegram и Markdown

После месяца с OpenClaw и экспериментов с провайдерами список требований сжался до честного минимума:

• один пользователь: я;
• один интерфейс: Telegram, потому что он уже всегда под рукой;
• три формата входа: текст, голосовые сообщения, изображения;
• дневник физического и эмоционального состояния без обязательных форм;
• записи тренировок, результатов анализов и связанных документов в общей хронологии;
• ежедневный check-in и персонализированные напоминания по расписанию;
• контекст хранится в явных файлах, а не в обещании, что модель «всё помнит»;
• выход: структурированный Markdown в моей файловой системе;
• версионирование и backup: приватный Git-репозиторий;
• предсказуемая стоимость рутинной обработки;
• речь распознаётся локально после доставки через Telegram, без отдельного облачного STT-провайдера.

По сути это требования к self-hosted решению: локальный AI-агент на собственной машине везде, где это практично, и облачные сервисы только там, где они дают непропорционально много за свои компромиссы.

Под этот список я и выбирал заново.

Почему Hermes Agent и DeepSeek

После исследования я перешёл на Hermes Agent. Здесь важно разделить две роли, которые часто смешивают: оркестратор и модель. Hermes ничего не «думает» сам, он управляет процессом: принимает сообщения через Telegram gateway, запускает распознавание речи, вызывает модель, исполняет skills, работает с файлами и выполняет cron-задачи. А думает подключённая модель, и её можно менять.

Для рутинного текста я выбрал DeepSeek: Hermes поддерживает его как прямого провайдера, а стоимость массовой текстовой нормализации у него низкая. Для классификации, извлечения фактов и суммаризации ежедневных записей этого достаточно. Сильную модель можно подключать точечно, например для месячной ретроспективы, как опциональный уровень, а не обязательный default.

Сравнение с OpenClaw по моим критериям выглядело так:

Подчеркну ещё раз: это не вердикт «Hermes лучше OpenClaw». Это вывод для одного конкретного single-user сценария, моего. После перехода главная метрика стала не «сколько интеграций потенциально доступно», а «сколько вечеров я не трачу на обслуживание системы». В моём узком pipeline эта метрика резко улучшилась: я перестал обслуживать платформу и начал пользоваться дневником.

Что реально работает у меня сейчас

Перед установкой агента я полностью очистил диски, удалил Windows и поставил Ubuntu. Никакого dual boot: машина больше не игровая, ей не нужно прошлое. Для круглосуточного сервиса чистая система означает меньше лишних программ, фоновых процессов и неожиданностей при обновлении.

Это не концепт и не выходные с прототипом. Система работает в ежедневном режиме с февраля 2026 года; на начало июня 2026 года в private workflow было около 80 daily notes. Конфигурация на момент написания (проверено: 2026-06-07):

Hardware:   Xiaomi Mi Gaming Laptop (2019), GPU: GTX 1060 Mobile 6 GB + Intel UHD 630
OS:         Ubuntu 24.04.4 LTS, kernel 6.17.0-22-generic, x86_64
Role:       always-on домашний AI-сервер
Оркестратор: Hermes Agent v0.12.0 (2026.4.30), commit 4f3766917
Main model: DeepSeek (deepseek-v4-flash), прямой API
Gateway:    Telegram через systemd user service
STT:        faster-whisper 1.2.1, medium, CUDA, int8_float32
Vision/OCR: небольшой бюджет OpenAI API как auxiliary vision layer
TTS:        Edge TTS
Workspace:  локальный Markdown-репозиторий + приватный Git remote

Датированный снимок gateway на 2026-06-07: 35 дней uptime, около 5.7 GB RAM, CPU time 6h27min. Энергопотребление не подтверждено: на машине нет надёжного датчика, нужен внешний ваттметр.

Как проходит один обычный день

Утром силовая тренировка в зале. Я записываю её, как и раньше, в Hevy, делаю скриншот итогов и отправляю боту. Vision-слой извлекает упражнения, подходы и веса, skill сохраняет оригинал скриншота как attachment и структурированные поля тренировки рядом, в той же дате. Калории я считаю в YAZIO и скидываю боту только дневное саммари: дублировать каждый приём пищи нет смысла. В теории и тренировки, и питание можно вести целиком через бота, без сторонних сервисов, но это уже следующий уровень, который я оставил на потом.

Днём система молчит. Это важное свойство: хороший дневник не выпрашивает внимание.

В 21:00 приходит напоминание. Я отвечаю голосом: сон, энергия, настроение, стресс, события дня. Жена к этому уже привыкла и не оборачивается, когда я вечером диктую что-то телефону. Дочке четыре, и для неё бот пока не существует. Локальный faster-whisper делает transcript, skill извлекает только явно сказанные факты и нормализует шкалы. Если я забыл что-то обязательное, бот задаёт один компактный уточняющий вопрос, а не анкету из пяти сообщений. Опыт показал: одно короткое уточнение сохраняет привычку, анкета её убивает.

В итоге за дату появляется одна Markdown-запись: сырой transcript отдельно, нормализованная сводка отдельно, метрики в YAML frontmatter (sleep_hours, sleep_quality, energy, mood, stress, training), ссылки на источники. Git commit фиксирует версию. Повторное сообщение за ту же дату обновляет существующую запись, а не плодит дубликаты.

А в ответ бот присылает короткую сводку того, что он понял из моей диктовки. Выглядит это примерно так (пример синтетический, все детали изменены, но интонация настоящая):

🛌 Сон: обещал себе лечь в 22:00, но сериал снова победил. Лёг в полночь, встал в 7 — итого 7 часов вместо запланированных девяти.

🏋️ Зал: ноги и пресс, тренировка далась тяжело после короткой ночи.

💼 Работа: два релиза и пара багфиксов, день плотный, без обеда.

🚶 10 000 шагов закрыты, но начались только в пять вечера — недосып сказывается.

⚡ Энергия 4/10 — неплохо держишься для такой ночи.

Тон этой обратной связи задаётся инструкциями skill: насколько ассистент мягкий или язвительный, хвалит он или подкалывает, даёт ли мини-советы по запросу. В публичном примере это остаётся безопасной настройкой текста, а не медицинской интерпретацией. Мой сейчас в режиме «друг с лёгкой иронией», и читать вечернюю сводку стало маленьким ритуалом: приятно, когда твой день кто-то аккуратно складывает в три строчки, даже если этот кто-то работает на полке, чтобы кот его не достал.

А спустя недели накопленные записи начинают работать на меня: я могу попросить недельную или месячную ретроспективу сна, нагрузки, стресса и настроения. Как именно это устроено без иллюзии «агент помнит всё», расскажу в третьей статье.

Паттерны, которые нашёл дневник: сериалы, сон и мелатонин

Любой трекер живёт до первого «зачем я это делаю». У меня этот вопрос закрылся через пару месяцев, когда записи накопились и в них стали видны паттерны, которые по памяти я бы никогда не собрал.

Первый паттерн банальный, но в цифрах он бьёт сильнее, чем в ощущениях. Вечер, «ещё одна серия», экран гаснет к часу ночи, подъём в семь. Я и так знал, что не высплюсь. Но дневник показал картину целиком: на следующий день после такого вечера у меня не только разбитость до обеда, но и вес не падает, а растёт, хотя питание не менялось. Одно дело смутно догадываться, другое: видеть, как одна и та же связка повторяется в записях раз за разом. Сериалы по будням я после этого не бросил полностью, но торговаться с собой стало гораздо труднее.

Второй паттерн оказался для меня неожиданным. Я какое-то время принимал мелатонин перед сном и считал его безобидным помощником. Записи показали обратное: в дни после мелатонина я еле просыпался и полдня приходил в себя, и эта связка повторялась слишком стабильно, чтобы списать её на совпадение. Для меня он работал как ручной тормоз на всё утро. Я перестал его использовать, и утра выровнялись.

Именно в этом для меня смысл всей системы. Не «AI следит за здоровьем», а дешёвый по усилиям сбор наблюдений, в которых потом видны закономерности, и из которых получаются конкретные вопросы вместо смутных жалоб.

Что изменилось, кроме количества Markdown-файлов

Самое заметное изменение оказалось не техническим. Раньше плохой день обычно заканчивался коротким выводом: «устал», «ничего не успел», «завтра надо собраться». Теперь вечерняя запись заставляет разложить это ощущение на части. Может оказаться, что работа шла нормально, но я мало спал, пропустил обед и к вечеру уже не мог адекватно оценить собственный день. Такая простая декомпозиция не решает проблему, но возвращает ей правильный размер.

Иногда агент не сообщает мне ничего нового. Он просто формулирует то, что я уже знал, но не успел назвать. Для меня это тоже полезно. Между событием и осмыслением обычно проходит слишком много времени, а здесь рефлексия встроена в тот же короткий ритуал, что и запись фактов.

Появился и практический эффект перед консультациями. Вместо попытки вспомнить последние несколько недель я могу открыть хронологию: когда изменился сон, как в это время менялась нагрузка, что я принимал, какие показатели пришли в анализах и что сам отмечал в дневнике. Эти записи не дают медицинского ответа, зато помогают принести специалисту более точный вопрос.

И ещё агент постепенно становится интерфейсом к моей собственной истории. Я могу спросить не только «как я спал на этой неделе», но и «когда последний раз болело колено после приседаний», «какой вес был в жиме месяц назад» или «что я хотел обсудить с врачом». Ответ ценен не потому, что модель умна, а потому, что под ним лежат датированные источники, которые можно открыть и проверить.

Архитектура: кто что делает

Я / телефон
  ├─ текстовый check-in
  ├─ голосовая заметка
  ├─ скриншот тренировки
  └─ фото документа
          │
          ▼
Telegram Bot (строгий allowlist: только я)
          │
          ▼
Hermes Gateway (старый ноутбук, Ubuntu, systemd)
  ├─ STT: локальный faster-whisper
  ├─ Main LLM: DeepSeek (нормализация текста)
  ├─ Auxiliary vision: отдельный провайдер для изображений
  ├─ wellbeing skills (journal + reflection)
  └─ cron: напоминание в 21:00, периодическая рефлексия
          │
          ▼
Локальный Markdown vault (записи + attachments)
          │
          ├─ Obsidian для просмотра и дашбордов (Dataview)
          └─ Git commit → приватный GitHub-репозиторий
                          (версионный backup, не E2EE-хранилище)

Каждый блок в этой схеме появился не из любви к архитектуре, а из конкретного эпизода истории выше: ноутбук дал local inference, OpenClaw научил сужать scope, цены на API привели к DeepSeek, нежелание отправлять голос в облако привело к локальному Whisper, а страх потерять годы записей привёл к Git. Записи при этом лежат в YAML frontmatter плюс свободный текст, и Obsidian читает их как обычный vault: метрики для дашбордов, текст для человека.

Где проходят границы доверия

«Лежит в Obsidian» не значит «лежит локально». Честная таблица того, кто что видит:

Что эта система умеет и чего не умеет

Умеет:

• принимать текст, голос и изображения без открывания форм;
• превращать поток сознания в структурированные записи с единой схемой;
• вести хронологию тренировок, показателей, анализов и документов;
• хранить сырой ввод отдельно от интерпретации модели;
• присылать персонализированные напоминания с уместным сохранённым контекстом;
• спрашивать о прошедшем дне и задавать одно уточнение вместо анкеты;
• версионировать всё в Git, включая историю исправлений;
• готовить недельные и месячные ретроспективы как гипотезы для саморефлексии.

Не умеет и не должна:

• ставить диагнозы и интерпретировать симптомы как замену врачу;
• советовать менять лекарства или дозировки;
• делать выводы о причинности из корреляций;
• «знать» точность OCR: распознанные из фото данные всегда помечаются для ручной проверки;
• гарантировать конфиденциальность сверх границ из таблицы выше.

Если запись содержит тревожные симптомы, правильное действие системы одно: посоветовать обратиться за помощью, а не пытаться «проанализировать».

Честные ограничения: что стоит знать заранее

Я намеренно не публикую репозиторий с готовым кодом. Vault хранит личные данные: тренировки, симптомы, документы. Выкладывать его как шаблон не имеет смысла, а скелет без данных и скиллов не даёт никакой ценности. Hermes Agent — открытый фреймворк, обвязку под себя каждый пишет под свои задачи. Для senior-разработчика это задача на пару вечеров; для тех, кто только знакомится с агентами, второй мануал в этой серии будет хорошей стартовой точкой.

Система не является полностью бесплатной. Локальный faster-whisper и DeepSeek через OpenRouter действительно дёшевы: мой рутинный фон обходится в несколько долларов в месяц. Но если вы активно используете vision-слой для OCR документов и анализа скриншотов, расходы растут. Я использую его редко и целенаправленно, поэтому для меня это не проблема. Детальная разбивка стоимости по слоям — в третьей статье.

Старый ноутбук — это single point of failure. Отключили свет дома, завис Wi-Fi, перегрелась батарея под нагрузкой: дневник недоступен. Для меня это приемлемый компромисс: нет записи за один вечер — не катастрофа. Если вы строите систему для критически важного медицинского трекинга, стоит подумать о резервном канале или облачном резервировании. Я на это намеренно не пошёл: приватность важнее, чем 99,9% uptime личного дневника.

Вместо вывода: помощник начинается с памяти

Когда я доставал ноутбук с полки, мне хотелось просто дать старому железу новую работу и проверить, насколько далеко сегодня можно зайти с персональным AI-агентом. В результате получился не домашний Джарвис и не цифровой врач. Получилась куда менее фантастическая, но уже полезная вещь: помощник, которому я могу рассказать о дне, переслать документ, поручить напоминание и через месяц спросить, что происходило со мной на самом деле.

Пожалуй, персональный агент начинается не с умения заказать такси или включить свет. Он начинается с памяти, которой можно доверять: явной, датированной, проверяемой и принадлежащей владельцу. Мой агент пока не управляет домом и не принимает важных решений. Он делает другое: помогает не потерять контекст собственной жизни.

Для меня этого уже достаточно, чтобы старый игровой ноутбук больше не казался старым.

Что во второй и третьей статьях: установка и эксплуатация

Во второй статье я собираю эту систему с нуля на чистой Ubuntu: установка Hermes Agent, подключение DeepSeek, Telegram-бот с закрытым доступом, локальный faster-whisper, отдельный vision-слой, структура vault, оба skill, приватный Git и напоминание на 21:00. Каждый шаг с проверкой и разделом «если не сработало».

В третьей статье: жизнь с дневником после установки. Исправление ошибок распознавания, работа со скриншотами и документами, недельные сводки, честная месячная рефлексия без выдуманного RAG, дашборды в Obsidian, реальная стоимость по слоям и приватность.

FAQ

Это замена врачу или медицинское приложение?

Нет. Это личный журнал наблюдений. Его максимум: помочь заметить паттерны и подготовить более структурированные вопросы специалисту.

Почему не готовое health-приложение?

Приложения требуют заполнять их формы и хранят данные в своих форматах. Здесь вход свободный (голос, текст, фото), а выход: мои собственные Markdown-файлы, которые переживут любой сервис.

Обязателен ли старый игровой ноутбук?

Нет, подойдёт любая постоянно работающая машина с Ubuntu. GPU ускоряет локальное распознавание речи, но faster-whisper работает и на CPU, медленнее.

DeepSeek понимает картинки?

В моей конфигурации DeepSeek занимается текстом, а за изображения отвечает отдельный вспомогательный vision-слой через OpenAI API. Это два разных бюджета и два разных шага настройки. Vision я подключаю по желанию и пользуюсь им довольно редко, так что без него текст и голос работают полностью.

Насколько это приватно?

Голосовое сообщение проходит через Telegram, но после доставки распознаётся локально и не отправляется отдельному STT-провайдеру. Текст видит DeepSeek, изображения видит vision-провайдер, а vault хранится в приватном GitHub. Это осознанные компромиссы, и в третьей статье я разберу их по слоям.

Сколько это стоит в месяц?

Рутинная текстовая обработка на DeepSeek стоит мало, vision-слой оплачивается отдельно, локальное распознавание речи стоит только электричества. Точную формулу и датированный снимок цен я даю в третьей статье.

На каком языке диктовать заметки?

Я диктую на русском, а мультиязычная модель medium подходит и для английского. В планах чаще переходить на английский: ежедневная диктовка о собственном дне выглядит как хорошая разговорная практика по дороге к C1.