سال‌ها تبدیل گفتار به متن فرآیندی دست‌وپاگیر و گران بود. نرم‌افزار رونویسی اولیه به‌طور بدنامی نادقیق بود و اغلب متن درهم می‌داد که ساعت‌ها ویرایش دستی می‌خواست. با یادگیری عمیق و شبکه عصبی عظیم، شرکت‌هایی مانند OpenAI صنعت را با مدل‌هایی مانند Whisper متحول کردند. این موتورهای مدرن می‌توانند صوت را با دقت نزدیک به انسان رونویسی کنند، حتی با لهجه سنگین، نویز پس‌زمینه و اصطلاح فنی. اما این جهش کیفیت یک قید مهم داشت: توان پردازشی لازم یعنی مدل‌ها فقط روی سرور ابری متمرکز و گران میزبانی می‌شدند. کاربر ناچار بود فایل صوتی خصوصی را به شرکت شخص ثالث آپلود کند، هزینه گزاف به‌ازای دقیقه بپردازد و در صف سرور بماند.
سازنده رونوشت آنلاین رایگان Utiliome گام بزرگ بعدی فناوری گفتار به متن است. از قابلیت پیشرفته WebAssembly (Wasm) و WebGL استفاده می‌کنیم تا این شبکه‌های عصبی عظیم را مستقیم به مرورگر ببریم. با دانلود نسخه بسیار فشرده و بهینه‌شده موتور هوش مصنوعی در کش دستگاه، رایانه یا گوشی عملاً سرور رونویسی می‌شود. وقتی از ابزار استفاده می‌کنید مدل محلی اجرا می‌شود، شکل موج صوت را تحلیل می‌کند و متن متناظر را زنده پیش‌بینی می‌کند. این جابه‌جایی از پردازش ابری به سمت کاربر دستاورد بزرگ است. دسترسی به هوش مصنوعی پیشرفته را دموکراتیک می‌کند تا هر کس — از دانشجوی ضبط سخنرانی تا روزنامه‌نگار مصاحبه‌کننده — رونوشت دقیق بسازد بدون پرداخت پول یا قربانی کردن حریم خصوصی.
جادوی فنی اجرای مدل داخل نخ اختصاصی Web Worker در مرورگر است. این تضمین می‌کند محاسبه سنگین استنتاج شبکه عصبی رابط را قفل یا کند نکند. وقتی فایل رسانه را در ابزار می‌اندازید، مرورگر صوت را محلی رمزگشایی می‌کند، داده خام را استخراج و به مدل محلی می‌دهد. مدل سپس متن رونویسی‌شده را پویا خروجی می‌دهد. چون کل خط لوله در حافظه دستگاه است، تأخیر شبکه کاملاً حذف می‌شود. دیگر لازم نیست منتظر آپلود کند ویدیوی ۵۰۰ مگابایتی به سرور راه دور بمانید تا رونویسی شروع شود. آنی، قدرتمند و پس از کش شدن مدل اولیه کاملاً قادر به کار آفلاین است.