অফলাইন স্পিচ টু টেক্সট এখন সাধারণ Apple হার্ডওয়্যারেই বাস্তবসম্মত: অডিও আপনার ডিভাইসেই থাকে, দীর্ঘ রেকর্ডিং কয়েক সেকেন্ড বা মিনিটে শেষ হয়, আর প্রতি-মিনিটের কোনো বিল নেই।
Whisper Notes, Mac ও iPhone দুটিতেই, স্পিচ রিকগনিশন ডিভাইসেই করে।
সংক্ষিপ্ত উত্তর: প্ল্যাটফর্ম অনুযায়ী সেরা অফলাইন স্পিচ টু টেক্সট
শুধু উত্তরটাই চাইলে: Mac ও iPhone-এ ব্যবহার করুন Whisper Notes — তিনটি লোকাল AI ইঞ্জিন, একবারের পেমেন্টে: iPhone-এ একবার $7.99 (এই একই App Store কেনায় Mac App Store সংস্করণও পাওয়া যায়); Mac-এ প্রতি সপ্তাহে 5,000 শব্দ ফ্রি, তারপর একবার $14। Windows-এ Buzz বা faster-whisper ব্যবহার করুন। Android-এ বিকল্প এখনো সীমিত। প্রতিটি টুল 100% অফলাইনে চলে।
| টুল | প্ল্যাটফর্ম | মূল্য | সেটআপ | মডেল |
|---|---|---|---|---|
| Whisper Notes | Mac (M-সিরিজ), iPhone | $7.99 একবার (iPhone); $14 একবার (Mac), প্রতি সপ্তাহে 5,000 শব্দ ফ্রি | নেই — নেটিভ অ্যাপ | Parakeet V3, SenseVoice, Whisper Turbo |
| MacWhisper | শুধু Mac | ফ্রি টিয়ার; Pro একবারে €64 | নেই — নেটিভ অ্যাপ | Whisper পরিবার |
| Buzz | Windows, Mac, Linux | ফ্রি (ওপেন সোর্স) | ইনস্টলার; সাধারণ UI | Whisper পরিবার |
| faster-whisper / whisper.cpp | Windows, Mac, Linux | ফ্রি (ওপেন সোর্স) | কমান্ড লাইন | Whisper পরিবার |
| Apple Dictation | iPhone/Mac-এ বিল্ট-ইন | ফ্রি | নেই | Apple অন-ডিভাইস; শুধু সংক্ষিপ্ত ডিক্টেশন |
এই গাইডের বাকি অংশে ব্যাখ্যা করা হয়েছে কেন লোকাল ট্রান্সক্রিপশন লেটেন্সি, খরচ ও প্রাইভেসিতে জিতে যায় — বাস্তব বেঞ্চমার্ক সংখ্যা সহ — এবং ধাপে ধাপে দেখানো হয়েছে কীভাবে অফলাইনে অডিও থেকে টেক্সট ট্রান্সক্রাইব করবেন।
লেটেন্সির সমস্যা
ক্লাউড ট্রান্সক্রিপশন পাইপলাইন: আপনি কথা বলেন, অডিও সার্ভারে আপলোড হয়, API সেটা প্রসেস করে, ফলাফল ফিরে আসে।
লোকাল ট্রান্সক্রিপশন: সেই সব লেটেন্সি উধাও হয়ে যায়। অডিও কখনও আপনার ডিভাইস ছাড়ে না, প্রসেসিং হয় চিপেই, ফলাফল আসে তাৎক্ষণিক। কোনো আপলোড নেই, অপেক্ষা নেই, ঘুরতে থাকা "প্রসেসিং" ইন্ডিকেটর নেই।
সাম্প্রতিক iPhone এবং Apple Silicon Mac-এ অন-ডিভাইস মেশিন লার্নিংয়ের জন্য ডেডিকেটেড Neural Engine হার্ডওয়্যার থাকে। লোকাল ট্রান্সক্রিপশন আপলোড ও দূরবর্তী রেসপন্সের অপেক্ষা করার বদলে আপনার ইতিমধ্যেই থাকা হার্ডওয়্যার ব্যবহার করে।
2019 সালে ক্লাউড ট্রান্সক্রিপশনের যুক্তি ছিল। আপনার ফোন এক বিলিয়ন-প্যারামিটারের নিউরাল নেটওয়ার্ক চালাতে পারত না। সেই সীমাবদ্ধতা আর নেই। M4 Pro-এ 35 মিনিটের অডিও Parakeet V3 দিয়ে প্রায় 18 সেকেন্ডে আর Whisper Turbo দিয়ে প্রায় তিন মিনিটে ট্রান্সক্রাইব হয়ে যায় — দুই ক্ষেত্রেই কিছুই আপলোড হয় না।
লাইভ কোলাবরেশন ও কেন্দ্রীভূত ওয়ার্কফ্লোর জন্য ক্লাউড ট্রান্সক্রিপশনের এখনও যুক্তি আছে। যে ব্যক্তিগত রেকর্ডিং শুধু আপনারই দরকার, তার জন্য আপলোড প্রায়ই অপ্রয়োজনীয়।
চিপের দাম আপনি আগেই দিয়েছেন
M-সিরিজের Mac বা সাম্প্রতিক iPhone-এর Neural Engine দিনের বেশির ভাগ সময় অলস পড়ে থাকে, অথচ এই মডেলগুলো চালানোর ক্ষমতা তার আছে।
মেশিন কেনার সময়েই আপনি এই চিপের দাম দিয়ে ফেলেছেন; অন্যের সার্ভারে অডিও ট্রান্সক্রাইব করাতে সাবস্ক্রিপশন নেওয়া মানে যে কম্পিউটিং ক্ষমতা আপনার কাছে আগেই আছে, তার জন্য দ্বিতীয়বার টাকা দেওয়া।
লোকাল ইনফারেন্স যখন সত্যিই অসম্ভব ছিল, তখন এই বিনিময়ের যুক্তি ছিল। এখন সেই যুক্তি দাঁড় করানো কঠিন।
মাসে $10 হিসেবে তিন বছরে সাবস্ক্রিপশনের খরচ $360। Whisper Notes-এর দাম iPhone-এ একবারই $7.99, Mac-এ একবারই $14। সাবস্ক্রিপশন আসলে যা কেনে তা হলো লাইভ ক্যাপশন আর একসঙ্গে এডিটিং; এ দুটোর কোনোটাই দরকার না হলে আপনি নিজের কাছে থাকা কম্পিউটিং ক্ষমতার জন্যই টাকা দিচ্ছেন।
| সার্ভিস | বছর 1 | বছর 3 | বছর 5 |
|---|---|---|---|
| ক্লাউড সাবস্ক্রিপশন (মাসে $10) | $120 | $360 | $600 |
| Whisper Notes (একবার) | $7.99 | $7.99 | $7.99 |
আমরা সাবস্ক্রিপশন নিই না কারণ আমরা কোনো সার্ভার চালাই না। আপনার অডিও কখনও আমাদের ইনফ্রাস্ট্রাকচার স্পর্শ করে না। মাসে মাসে বিল করার মতো কিছুই নেই।
ডেটা লিক একটি স্থাপত্যগত সমস্যা
যখন আপনি একটি ক্লাউড ট্রান্সক্রিপশন সার্ভিস ব্যবহার করেন, আপনার অডিও অন্য কারও সার্ভারে থাকে। যে সার্ভারে অডিও থাকে, সেখান থেকে তা ফাঁস হতে পারে — আক্রমণে, ভুল কনফিগারেশনে বা অ্যাক্সেস থাকা কোনো কর্মচারীর মাধ্যমে — আর ফাঁস সত্যিই ঘটে।
ভয়েস ডেটার একটি অনন্য ঝুঁকি আছে। পাসওয়ার্ডের বিপরীতে, আপনি আপনার কণ্ঠস্বর রিসেট করতে পারবেন না। আপনার কণ্ঠের প্যাটার্ন স্থায়ী বায়োমেট্রিক শনাক্তকারী। একবার লিক হলে, সেগুলো চিরতরে ঝুঁকিতে পড়ে। আক্রমণকারীরা ভয়েসপ্রিন্ট ব্যবহার করে অথেন্টিকেশন বাইপাস, পরিচয় জালিয়াতি বা ডিপফেক তৈরি করতে পারে।
এই ঝুঁকি দূর করার একমাত্র উপায় হলো আপলোডটাই দূর করা। যে অডিও কখনও আপনার ডিভাইস ছাড়ে না, তা কোনো সার্ভার-সাইড ব্রিচের অংশ হতে পারে না — পুরো যুক্তিটা এটুকুই।
কারা সংবেদনশীল অডিও রেকর্ড করে, ভাবুন:
- আইনজীবী যারা ক্লায়েন্ট পরামর্শ রেকর্ড করেন
- থেরাপিস্ট যারা রোগীর সেশন নথিভুক্ত করেন
- সাংবাদিক যারা সোর্স রক্ষা করেন
- নির্বাহী যারা কৌশলগত আলোচনা ধারণ করেন
- চিকিৎসক যারা রোগীর ইতিহাস লিপিবদ্ধ করেন
এই পেশাজীবীদের জন্য অডিও কোথায় রাখা আছে, সেই প্রশ্নের উত্তর জানা থাকা জরুরি। লোকাল ট্রান্সক্রিপশন কোনো পছন্দ নয়। এটা একটা আবশ্যকতা।
নির্ভুলতা ও তার আপস
লোকাল Whisper যেখানে ভালো: হুবহু ট্রান্সক্রিপশন। যা বলা হয়েছে তার নিখুঁত রেকর্ড দরকার হলে — প্রতিটি শব্দ, প্রতিটি বিরতি, প্রতিটি "উম" — লোকাল Whisper মডেল দারুণ। পরিষ্কার ইংরেজি অডিওতে ওয়ার্ড এরর রেট মোটামুটি 5-8% (Open ASR Leaderboard); আওয়াজ আর উচ্চারণভেদে তা বাড়ে। ট্রান্সক্রিপ্ট যা বলা হয়েছে তার প্রতি বিশ্বস্ত।
ল্যাঙ্গুয়েজ মডেল যা যোগ করে: সারাংশ ও তথ্য নিষ্কাশন। Gemma-র মতো একটি লোকাল মডেল, যা Whisper Notes আমাদের ওয়েবসাইট থেকে ডাউনলোড করা Mac সংস্করণে চালায়, ট্রান্সক্রিপ্ট থেকে সারাংশ আর অ্যাকশন আইটেমের তালিকা বানাতে পারে। লম্বা, অগোছালো ট্রান্সক্রিপ্টে বড় ক্লাউড মডেল এখনও ভালো যুক্তি করে, তাই দুই ঘণ্টার মিটিংয়ের পর "কী কী সিদ্ধান্ত হয়েছে বলো" জানতে চাইলে সেগুলোই বেশি শক্তিশালী টুল।
আপসটা বাস্তব। আপনার ওয়ার্কফ্লো যদি হয় "ট্রান্সক্রাইব → Claude/GPT দিয়ে সারাংশ," তাহলে দুটোরই সেরাটা পাবেন: নির্ভুল লোকাল ট্রান্সক্রিপ্ট, বুদ্ধিমান ক্লাউড সারাংশ। আপনার কাঁচা অডিও ব্যক্তিগত থাকে। শুধু যে টেক্সট আপনি শেয়ার করতে চান সেটাই আপনার ডিভাইস ছাড়ে।
লোকাল AI ওয়ার্কফ্লোর প্রতিটি অংশ সমাধান করে না। স্পিচ মডেল ট্রান্সক্রিপশনে ভালো; ল্যাঙ্গুয়েজ মডেল ফলাফলের সারাংশ ও যুক্তি বিশ্লেষণে ভালো। অডিও লোকাল রাখুন, তারপর টেক্সটের সংবেদনশীলতা অনুযায়ী একটি লোকাল বা ক্লাউড ল্যাঙ্গুয়েজ মডেল বেছে নিন।
| কাজ | সেরা টুল | কেন |
|---|---|---|
| হুবহু ট্রান্সক্রিপ্ট | লোকাল Whisper | প্রাইভেসি, গতি, নির্ভুলতা |
| মিটিং সারাংশ | লোকাল LLM (Gemma, আমাদের ওয়েবসাইটের Mac সংস্করণ) বা ক্লাউড LLM, ট্রান্সক্রিপ্টে | প্রসঙ্গগত বোঝাপড়া |
| অ্যাকশন আইটেম নিষ্কাশন | লোকাল LLM (Gemma, আমাদের ওয়েবসাইটের Mac সংস্করণ) বা ক্লাউড LLM, ট্রান্সক্রিপ্টে | শব্দার্থগত যুক্তি |
| রিয়েল-টাইম কোলাবরেশন | ক্লাউড সার্ভিস (Otter ইত্যাদি) | মাল্টি-ইউজার সমন্বয় |
বাস্তব গতির সংখ্যা
মডেল নির্বাচন "লোকাল" শব্দটি যতটা বোঝায় তার চেয়ে বেশি ফলাফল বদলে দেয়। Whisper Notes তিনটিই Mac ও iPhone-এ চালায়, আর ইঞ্জিন বেছে নেন Settings থেকে; ইংরেজি ও ইউরোপীয় ভাষার জন্য Parakeet হলো দ্রুত ডিফল্ট, SenseVoice চীনা, জাপানি, কোরীয় ও ক্যান্টনিজের জন্য অপ্টিমাইজড, আর Whisper Large-v3 Turbo (Mac) / Whisper Small (iPhone) সবচেয়ে ব্যাপক 100+ ভাষার কভারেজ দেয়।
| ডিভাইস ও মডেল | টেস্ট অডিও | প্রসেসিং সময় | সবচেয়ে উপযুক্ত |
|---|---|---|---|
| M4 Pro — Parakeet V3 | 35 মিনিট | ~18 সেকেন্ড | ইংরেজি ও ইউরোপীয় ভাষা |
| M4 Pro — SenseVoice | 27 মিনিটের চীনা পডকাস্ট | 13.83 সেকেন্ড | চীনা, জাপানি, কোরীয়, ক্যান্টনিজ |
| M4 Pro — Whisper Turbo | 27 মিনিটের চীনা পডকাস্ট | 2 মিনিট 4 সেকেন্ড | সবচেয়ে ব্যাপক ভাষা কভারেজ |
পদ্ধতি: 32 GB RAM সহ একটি Apple M4 Pro-তে Whisper Notes, ট্রান্সক্রিপশন শুরু থেকে চূড়ান্ত টেক্সট পর্যন্ত ওয়াল-ক্লক সময়। Parakeet-এ 35 মিনিটের একটি রেকর্ডিং ব্যবহার করা হয়েছে; SenseVoice ও Whisper-এ একই 27 মিনিটের চীনা পডকাস্ট ব্যবহার করা হয়েছে। এগুলো প্রোডাক্ট টেস্ট, ভেন্ডরের মধ্যে ক্লাউড বেঞ্চমার্ক নয়।
বর্তমান App Store লিস্টিং অনুযায়ী, iPhone 15-এ Parakeet দিয়ে 5 মিনিটের অডিওতে প্রায় 18 সেকেন্ড লাগে, আর Whisper দিয়ে প্রায় এক মিনিট। পুরনো ডিভাইস ধীর। প্রতিটি ক্ষেত্রেই কাজটি এয়ারপ্লেন মোডে চলতে থাকে, কারণ কোনো আপলোড ধাপ নেই।
কীভাবে অফলাইনে অডিও থেকে টেক্সট ট্রান্সক্রাইব করবেন (ধাপে ধাপে)
Mac-এ:
- Mac-এর জন্য Whisper Notes ডাউনলোড করুন (ফ্রি ট্রায়াল, কোনো অ্যাকাউন্ট লাগবে না)।
- সেটিংসে একটি মডেল বেছে নিন: ইংরেজির গতির জন্য Parakeet V3, চীনা, জাপানি, কোরীয় বা ক্যান্টনিজের জন্য SenseVoice, 100+ ভাষার জন্য Whisper Large V3 Turbo। মডেলটি একবার ডাউনলোড হয়, তারপর অফলাইনে কাজ করে।
- সরাসরি রেকর্ড করুন, অথবা যেকোনো অডিও বা ভিডিও ফাইল ড্রপ করুন (MP3, WAV, M4A, MP4)।
- অনলাইন মিটিংয়ের জন্য মিটিং ডিটেকশন চালু করুন। Zoom, Teams ও Google Meet স্বয়ংক্রিয়ভাবে শনাক্ত হয়; সিস্টেম অডিও ও আপনার মাইক্রোফোন একসাথে ধারণ করা হয়, আর ট্রান্সক্রিপশন আপনার Mac-এই থাকে।
- প্রসেস হওয়ার সাথে সাথে টেক্সট আসতে থাকে। TXT, SRT বা VTT হিসেবে এক্সপোর্ট করুন, অথবা যেকোনো জায়গায় কপি করুন। ইমপোর্ট করা ভিডিও একটি সাবটাইটেল ওয়ার্কস্পেসে খোলে, যেখানে এক্সপোর্টের আগে সাবটাইটেল দেখে ঠিক করে নিতে পারেন।
iPhone-এ: App Store থেকে Whisper Notes ইনস্টল করুন, Voice Memos ও Files থেকে রেকর্ড বা ইমপোর্ট করুন, আর ট্রান্সক্রিপশন A-সিরিজ চিপে চলে। কিছুই আপলোড হচ্ছে না তার প্রমাণ চাইলে প্রথমে এয়ারপ্লেন মোড চালু করুন। অটোমেশনের জন্য Shortcuts অ্যাপের "Transcribe Audio" অ্যাকশন একটি অডিও ফাইল নিয়ে টেক্সট ফেরত দেয়।
আমরা কীভাবে এটি বানিয়েছি
Whisper Notes হলো এই নীতিগুলোর আমাদের বাস্তবায়ন। উল্লেখযোগ্য কয়েকটি নির্দিষ্ট সিদ্ধান্ত:
লক স্ক্রিন উইজেট
সেরা ভাবনাগুলো অসুবিধাজনক মুহূর্তে আসে। আমরা লক স্ক্রিন উইজেট বানিয়েছি যাতে লক স্ক্রিন থেকে এক ট্যাপে অ্যাপ খুলে অফলাইন রেকর্ডিং শুরু হয় — অ্যাপ খুঁজতে হয় না, কানেক্টিভিটি চেক নেই। লোকাল প্রসেসিং মানে তাৎক্ষণিক প্রাপ্যতা।
লক স্ক্রিন থেকে রেকর্ডিং।
হার্ডওয়্যার-অ্যাডাপটিভ মডেল
Mac-এ তাপীয় হেডরুম ও পর্যাপ্ত শক্তি থাকে। iPhone থাকে আপনার পকেটে। দুটোই এখন একই মডেল লাইনআপ চালায় — Parakeet V3 (ডিফল্ট), Whisper Large-v3 Turbo (809M প্যারামিটার, Mac) / Whisper Small (iPhone) ও SenseVoice — প্রতিটি তার হার্ডওয়্যারের জন্য টিউন করা। একই প্রাইভেসি গ্যারান্টি, উপযুক্ত রিসোর্স ব্যবহার।
আপনার ডেটা, আপনার ফাইল
ট্রান্সক্রিপ্ট হলো আপনার ডিভাইসের ফাইল। Mac-এ প্রতিটি ট্রান্সক্রিপ্ট তার অডিওর পাশে একটি Markdown (.md) ফাইল হিসেবে সেভ হয়, YAML ফ্রন্ট ম্যাটার (তারিখ, উৎস, দৈর্ঘ্য) সহ, আপনার বেছে নেওয়া ফোল্ডারে; সেটি একটি Obsidian vault-এ রাখলে প্রতিটি রেকর্ডিং একটি নোট হয়ে যায়। কোনো মালিকানাধীন ডেটাবেস নেই, কোনো ভেন্ডর লক-ইন নেই। Whisper Notes আগামীকাল হারিয়ে গেলেও আপনার রেকর্ডিং অ্যাক্সেসযোগ্য থাকে। বাল্ক এক্সপোর্ট কোনো প্রিমিয়াম ফিচার নয় — এটা আপনার মালিকানাধীন ডেটার স্বাভাবিক অবস্থা।
ট্রান্সক্রিপ্ট ও অডিও একসাথে এক্সপোর্ট।
কাস্টম ভোকাবুলারি
টেকনিক্যাল পরিভাষা, অস্বাভাবিক নাম, ডোমেইন-নির্দিষ্ট শব্দ — যে শব্দভাণ্ডারের নির্ভুল ট্রান্সক্রিপশন সবচেয়ে বেশি দরকার, সেটাই প্রায়ই আপনি সবচেয়ে কম আপলোড করতে চান। ইনিশিয়াল প্রম্পট আপনাকে লোকালি প্রসঙ্গ যোগ করতে দেয়। আপনার পরিভাষা ট্রেনিং ডেটায় পরিণত না হয়েই মডেল মানিয়ে নেয়।
iPhone-এ নাম ও শব্দ ইনিশিয়াল প্রম্পট ফিল্ডে দেওয়া হয়; ডিভাইস না ছেড়েই সেগুলো মডেলকে পথ দেখায়।
কখন ক্লাউড ভালো কাজ করে
আমরা এমন ভান করছি না যে লোকাল ট্রান্সক্রিপশন সব দিক থেকেই ভালো। ক্লাউডের সত্যিকারের কিছু সুবিধা আছে:
রিয়েল-টাইম টিম কোলাবরেশন। মিটিং চলাকালে পাঁচজন একসাথে একটি ট্রান্সক্রিপ্ট এডিট করার জন্য সার্ভার সমন্বয় দরকার। লোকাল টুল স্বভাবতই একক-ব্যবহারকারীর।
বড় পরিসরে স্পিকার শনাক্তকরণ। অন-ডিভাইস স্পিকার লেবেলিং এসে গেছে — Whisper Notes এখন iPhone এবং Mac-এ "কে কী বলল" সম্পূর্ণভাবে অন-ডিভাইসে লেবেল করে। খুব বড় গ্রুপ এবং ব্যাপকভাবে ওভারল্যাপিং কথাবার্তার ক্ষেত্রে ক্লাউড-স্কেল ডায়ারাইজেশন এখনও এগিয়ে, তবে দুজনের সাক্ষাৎকার ও ছোট মিটিংয়ের জন্য অন-ডিভাইস লেবেল ব্যবহারযোগ্য মাত্রায় নির্ভুল (আমাদের দুই-স্পিকার পরীক্ষায় বাক্য-স্তরে 99.1% নির্ভুলতা)।
ওয়ার্কফ্লো অটোমেশন। ক্লাউড সার্ভিস CRM-এর সাথে যুক্ত হয়, অ্যাকশন আইটেম বের করে, Slack-এ সারাংশ পাঠায়। লোকাল টুল টেক্সট ফাইল তৈরি করে — সেগুলো দিয়ে আপনি কী করবেন তা ম্যানুয়াল।
পুরনো হার্ডওয়্যার। A14-এর আগের iPhone, Intel Mac — কিছু ডিভাইস বাস্তবসম্মতভাবে লোকাল ইনফারেন্স চালাতে পারে না। ক্লাউডই একমাত্র বিকল্প থাকে।
আপনার প্রধান দরকার যদি হয় লাইভ মিটিংয়ে টিম কোলাবরেশন, তাহলে ক্লাউড টুল সম্ভবত ভালো। আপনি যদি মূলত নিজের রেকর্ডিং ট্রান্সক্রাইব করেন এবং প্রাইভেসি গুরুত্বপূর্ণ হয়, তাহলে লোকাল প্রসেসিং বেশি উপযুক্ত।
গতিপথ
প্রতিটি চিপ প্রজন্ম আরও বেশি Neural Engine পারফরম্যান্স আনে। প্রতিটি মডেল ইটারেশন আরও ভালো দক্ষতা আনে। লোকাল ও ক্লাউডের মধ্যে ব্যবধান কমে, অথচ প্রাইভেসি ও লেটেন্সির সুবিধা অপরিবর্তিত থাকে।
ফোন যতদিন এই মডেলগুলো চালাতে পারত না, ততদিন ক্লাউড ট্রান্সক্রিপশনের যুক্তি ছিল। প্রায় 2022 থেকে ফোন তা পারে।
লোকাল ট্রান্সক্রিপশন এখন Apple হার্ডওয়্যারে ভালোভাবেই চলে। সাবস্ক্রিপশনের পক্ষে বাকি কারণ দুটোই: লাইভ ক্যাপশন আর একসঙ্গে এডিটিং — এ দুটোর কোনোটাই আপনার তালিকায় না থাকলে তৃতীয় কোনো কারণ নেই।
টেকনিক্যাল বিবরণ
ডিভাইস প্রয়োজনীয়তা: iOS 18 বা তার পরের সংস্করণ (iPhone 12 বা নতুন প্রস্তাবিত) অথবা Apple Silicon-সহ একটি Mac।
মডেল: 25টি ইউরোপীয় ভাষার জন্য Parakeet V3, চীনা, জাপানি, কোরীয় ও ক্যান্টনিজের জন্য SenseVoice Small, আর 100+ ভাষার জন্য Whisper (Mac-এ Large V3 Turbo, iPhone-এ Small)। তিনটি ইঞ্জিন পরিবারই Mac ও iPhone-এ লোকালি চলে।
গতি: Parakeet V3: M4 Pro-তে 35 মিনিটের অডিও 18 সেকেন্ডে। SenseVoice: 27 মিনিটের চীনা পডকাস্ট 14 সেকেন্ডে। Whisper Turbo: 35 মিনিট ~3 মিনিটে।
আমাদের ওয়েবসাইটের Mac সংস্করণে লোকাল AI: AI ফিচার চালু করলে লোকাল Gemma মডেল কোনো ক্লাউড API ছাড়াই রেকর্ডিংয়ের সারাংশ করে, টাইটেল সাজেস্ট করে এবং ট্রান্সক্রিপ্ট নিয়ে প্রশ্নের উত্তর দেয়।
দাম: iPhone-এ একবার $7.99। Mac-এ প্রতি সপ্তাহে 5,000 শব্দ ফ্রি, তারপর একবার $14।
Windows ও Android-এ অফলাইন স্পিচ টু টেক্সট
Whisper Notes Apple Silicon-এর জন্য তৈরি, তাই এটা শুধু Mac ও iPhone-এ চলে। অন্য প্ল্যাটফর্মে বর্তমান বিকল্পগুলো হলো:
Windows: Whisper Notes শুধু Mac ও iPhone-এ আছে, তাই সেরা ফ্রি বিকল্প হলো Buzz (Whisper-এর একটি সহজ GUI) এবং faster-whisper (কমান্ড লাইন, একই হার্ডওয়্যারে রেফারেন্স ইমপ্লিমেন্টেশনের চেয়ে কয়েক গুণ দ্রুত)। মডেল ডাউনলোড হয়ে গেলে দুটোই সম্পূর্ণ অফলাইনে চলে। নেটিভ অ্যাপের চেয়ে বেশি সেটআপ ঝক্কি আশা করুন — Python এনভায়রনমেন্ট, মডেল ফাইল, গতি চাইলে GPU ড্রাইভার।
Android: whisper.cpp-র Android পোর্ট এবং কয়েকটি র্যাপার অ্যাপ আছে, কিন্তু মান ও রক্ষণাবেক্ষণ ভিন্ন ভিন্ন। Android-এ এখনও কোনো পরিশীলিত, মূলধারার অফলাইন ট্রান্সক্রিপশন অ্যাপ নেই — পরিস্থিতি কোথায় দাঁড়িয়ে জানতে দেখুন Android-এর জন্য Whisper Notes স্ট্যাটাস।
অনেকে “Whisper Notes Windows” লিখে খোঁজেন, কারণ তাঁরা PC-তেও একই অফলাইন, এককালীন কেনার মডেল চান। আমরা এমন কোনো সংস্করণ বানাচ্ছি না, আর প্রশ্নটা ঝুলিয়ে রাখার চেয়ে সেটা স্পষ্ট করে বলাই ভালো (পুরো ব্যাখ্যা Windows-এর জন্য Whisper Notes পাতায় আছে)। স্থানীয় ট্রান্সক্রিপশন আজ রিয়েল-টাইমের 100 গুণ গতিতে চলে Apple-এর Neural Engine-এর জন্যই।
অফলাইন স্পিচ ট্রান্সলেশন: লোকাল AI কী পারে আর কী পারে না
একটি সম্পর্কিত প্রশ্ন প্রায়ই ওঠে: লোকাল AI কি স্পিচ অনুবাদ করতে পারে, শুধু ট্রান্সক্রাইব নয়? আংশিকভাবে। মূল Whisper Large V3 মডেল দুটি কাজে প্রশিক্ষিত ছিল — ট্রান্সক্রিপশন এবং যেকোনো-ভাষা-থেকে-ইংরেজি অনুবাদ। লোকালি চালালে, এটি ফরাসি, জাপানি বা আরবি অডিও নিয়ে ইংরেজি টেক্সট আউটপুট দিতে পারে, সম্পূর্ণ অফলাইনে। দুটি সতর্কতা: এটি শুধু ইংরেজিতে অনুবাদ করে (উল্টো দিকে নয়), আর এটা প্রযোজ্য সম্পূর্ণ Large V3 মডেলের ক্ষেত্রে — দ্রুততর Large-v3 Turbo ভ্যারিয়েন্ট ট্রান্সক্রিপশনে বিশেষায়িত হতে অনুবাদের কাজটি বাদ দিয়েছে।
অফলাইন স্পিচ ট্রান্সলেশন এখনও প্রাথমিক পর্যায়ে। এমন কোনো ব্যাপকভাবে গৃহীত কনজিউমার অ্যাপ নেই যা সম্পূর্ণ অফলাইন থেকেও ক্লাউড-ধাঁচের রিয়েল-টাইম স্পিচ-টু-স্পিচ অনুবাদের সমান। আজকের বাস্তবসম্মত ওয়ার্কফ্লো দুই ধাপের: লোকালি ট্রান্সক্রাইব করুন, তারপর আপনার বিশ্বস্ত একটি টুল দিয়ে ফলাফল টেক্সট অনুবাদ করুন। কাঁচা অডিওকে কখনও আপনার ডিভাইস ছাড়তে হয় না।
প্রায়শই জিজ্ঞাসিত প্রশ্ন
ইন্টারনেট সংযোগ ছাড়াই কি ট্রান্সক্রিপশন করা যায়?
হ্যাঁ। Whisper Notes একটি অফলাইন ট্রান্সক্রিপশন সফটওয়্যার যা সম্পূর্ণভাবে আপনার ডিভাইসে চলে। তিনটি AI মডেলই — Parakeet V3, SenseVoice ও Whisper — আপনার Mac-এর Neural Engine বা iPhone-এর A-সিরিজ চিপ ব্যবহার করে অডিও লোকালি প্রসেস করে। কোনো ডেটা আপলোড হয় না, কোনো সার্ভারের সাথে যোগাযোগ হয় না। এয়ারপ্লেন মোড চালু করে আপনি নিজেই এটি পরীক্ষা করতে পারেন।
OpenAI Whisper কি অফলাইনে কাজ করে?
হ্যাঁ। OpenAI Whisper-কে একটি ওপেন-সোর্স মডেল হিসেবে প্রকাশ করেছে, যার মানে এটি আপনার হার্ডওয়্যারে লোকালি চলতে পারে। Whisper Notes CoreML/Metal-এর মাধ্যমে Apple Silicon-এ চালানোর জন্য Whisper Large V3 Turbo প্যাকেজ করে — কোনো Python নেই, কমান্ড লাইন নেই, ইন্টারনেট লাগে না। এটি অফলাইন স্পিচ রিকগনিশনে 100+ ভাষা সমর্থন করে। মডেল পরিবারের গভীর বিশ্লেষণের জন্য দেখুন আমাদের Whisper ট্রান্সক্রিপশন গাইড।
Whisper Notes কি Windows বা Android-এর জন্য পাওয়া যায়?
না, আর আমরা এমন কোনো সংস্করণ বানাচ্ছিও না। Whisper Notes চলে Mac (M-সিরিজ) ও iPhone (12+)-এ। Windows-এর জন্য বিকল্প faster-whisper (কমান্ড-লাইন) বা Buzz (GUI র্যাপার); Android-এ whisper.cpp ভিত্তিক অ্যাপ। Whisper Notes-এর গতি আসে Apple-এর Neural Engine থেকে, আর Windows PC বা Android ফোন — কোনোটিতেই এমন একটিই সমতুল্য হার্ডওয়্যার নেই যাকে লক্ষ্য করে অ্যাপ বানানো যায়।
কোনো ফ্রি অফলাইন ট্রান্সক্রিপশন অ্যাপ আছে কি?
iPhone-এ Whisper Notes একবার $7.99, আর এই একই App Store কেনায় Mac App Store সংস্করণও পাওয়া যায়। Mac-এ প্রতি সপ্তাহে 5,000 শব্দ পর্যন্ত ফ্রি, তারপর একবার $14। কোনোটিতেই সাবস্ক্রিপশন নেই।
MacWhisper বা faster-whisper-এর সাথে Whisper Notes-এর তুলনা কেমন?
MacWhisper শুধু Mac-এর জন্য একটি Whisper ফ্রন্টএন্ড। faster-whisper একটি কমান্ড-লাইন টুল। Whisper Notes-এ Mac ও iPhone-এ Parakeet V3, SenseVoice ও Whisper আছে, সাথে আমাদের ওয়েবসাইটের Mac অ্যাপে Fn-কী দিয়ে ভয়েস টাইপিং আর iPhone-এ লক স্ক্রিন থেকে রেকর্ডিং। দাম iPhone-এ একবার $7.99; Mac-এ প্রতি সপ্তাহে 5,000 শব্দ ফ্রি, তারপর একবার $14।
সেরা অফলাইন স্পিচ-টু-টেক্সট সফটওয়্যার কোনটি?
এটা আপনার প্ল্যাটফর্মের ওপর নির্ভর করে। Mac ও iPhone-এ Whisper Notes একবারের পেমেন্টে তিনটি লোকাল ইঞ্জিন দেয়: iPhone-এ $7.99; Mac-এ প্রতি সপ্তাহে 5,000 শব্দ ফ্রি, তারপর $14। Windows বা Linux-এ Buzz (GUI) বা faster-whisper (কমান্ড লাইন) ফ্রি ও ওপেন সোর্স। বিল্ট-ইন ডিক্টেশন ছোট নোটের জন্য যথেষ্ট, তবে লম্বা রেকর্ডিংয়ের জন্য তৈরি নয়।
আমি কি বিনামূল্যে অফলাইনে অডিও থেকে টেক্সট রূপান্তর করতে পারি?
হ্যাঁ। Whisper Notes for Mac-এ একটি ফ্রি ট্রায়াল আছে, আর whisper.cpp, faster-whisper ও Buzz-এর মতো ওপেন-সোর্স টুল প্রতিটি ডেস্কটপ প্ল্যাটফর্মে সম্পূর্ণ ফ্রি। ফ্রি ক্লাউড সার্ভিসও আছে, কিন্তু সেগুলো আপনার অডিও আপলোড করে — প্রাইভেসির জন্যই যদি আপনি "অফলাইন" খুঁজে থাকেন, তবে এটা সেই উদ্দেশ্যই ব্যর্থ করে দেয়।
আমি কি LocalAI দিয়ে Whisper-কে একটি লোকাল API হিসেবে চালাতে পারি?
হ্যাঁ। LocalAI একটি ওপেন-সোর্স, OpenAI-সামঞ্জস্যপূর্ণ API সার্ভার যা whisper.cpp মডেল সার্ভ করতে পারে, তাই আপনি নিজের হার্ডওয়্যারে ক্লাউড ট্রান্সক্রিপশন এন্ডপয়েন্টের একটি ড্রপ-ইন প্রতিস্থাপন সেলফ-হোস্ট করতে পারেন। অফলাইন পাইপলাইন তৈরি করছেন এমন ডেভেলপারদের জন্য এটি উপযুক্ত। কোনো সার্ভার সেটআপ ছাড়াই একই মডেল চাইলে, Whisper Notes সেগুলোকে Mac ও iPhone-এ একটি নেটিভ অ্যাপ হিসেবে চালায়।
iOS-এর জন্য ডাউনলোড