Я долго приходил к голосовому вводу в ллмки. Было тяжело, были сомнения типа "а вот он распознает плохо и не поймет"
Но оказалось, что вообще норм

И тут мне пришла мысль (платиновая) - А вот бы в модель не транскрипт шел, а прям аудио и оно еще понимало паузы когда я задумался или считывало что я разрдражен и лучше работало.

Так вот, оказалось что я не первый такой умный и такие модели уже есть

У Гемини 2.5 Флеш, у Кими такая есть, у Квена

И знаете что? Не помогает, они в основном все равно на текст ориентируются
https://benchmarklist.com/benchmarks/voxparadox/

Даже пол не могут нормально угадать!