La veu a text fora de línia ja és pràctica en el maquinari Apple de cada dia: l'àudio es queda al teu dispositiu, les gravacions llargues acaben en segons o minuts i no hi ha cap factura per minut.
Whisper Notes fa el reconeixement de veu al mateix dispositiu, tant al Mac com a l'iPhone.
La resposta ràpida: el millor programari de veu a text fora de línia per a cada plataforma
Si només vols la resposta: al Mac i l'iPhone, fes servir Whisper Notes — tres motors d'IA locals amb pagament únic: $7.99 un sol cop a l'iPhone (la mateixa compra a l'App Store també inclou la versió de la Mac App Store); al Mac, 5.000 paraules per setmana gratis i després $14 un sol cop. A Windows, fes servir Buzz o faster-whisper (gratuïts, de codi obert). A Android, les opcions encara són escasses — mira la secció de plataformes més avall. Totes les eines d'aquesta taula funcionen 100% fora de línia:
| Eina | Plataformes | Preu | Configuració | Models |
|---|---|---|---|---|
| Whisper Notes | Mac (sèrie M), iPhone | $7.99 un sol cop (iPhone); $14 un sol cop (Mac), 5.000 paraules/setmana gratis | Cap — aplicació nativa | Parakeet V3, SenseVoice, Whisper Turbo |
| MacWhisper | Només Mac | Nivell gratuït; Pro €64 un sol pagament | Cap — aplicació nativa | Família Whisper |
| Buzz | Windows, Mac, Linux | Gratuït (codi obert) | Instal·lador; interfície bàsica | Família Whisper |
| faster-whisper / whisper.cpp | Windows, Mac, Linux | Gratuït (codi obert) | Línia d'ordres | Família Whisper |
| Dictat d'Apple | Integrat a l'iPhone/Mac | Gratuït | Cap | Model d'Apple al dispositiu; només dictats curts |
La resta d'aquesta guia explica per què la transcripció local guanya en latència, cost i privadesa — amb xifres de benchmark reals — i mostra com transcriure àudio a text fora de línia, pas a pas.
El problema de la latència
El circuit de la transcripció al núvol: parles, l'àudio puja a un servidor, l'API el processa i els resultats tornen.
Amb la transcripció local, tota aquesta latència desapareix. L'àudio no surt mai del teu dispositiu, el processament passa al xip i els resultats apareixen a l'instant. Sense pujades, sense esperes, sense l'indicador giratori de «processant».
Els iPhone recents i els Macs amb Apple Silicon inclouen el Neural Engine, maquinari dedicat a l'aprenentatge automàtic al dispositiu. La transcripció local fa servir maquinari que ja tens en lloc d'esperar una pujada i una resposta remota.
El 2019, la transcripció al núvol tenia sentit. El teu telèfon no podia executar una xarxa neuronal de mil milions de paràmetres. Aquesta restricció ha desaparegut. Un M4 Pro enllesteix 35 minuts d'àudio en uns 18 segons amb Parakeet V3 i en uns tres minuts amb Whisper Turbo, en tots dos casos sense pujar res.
La transcripció al núvol encara té sentit per a la col·laboració en directe i els fluxos de treball centralitzats. Per a una gravació privada que només necessites tu, la pujada sovint és innecessària.
El xip ja l'has pagat
El Neural Engine d'un Mac amb xip M o d'un iPhone recent està inactiu la major part del dia, i pot executar aquests models.
Aquest silici ja el vas pagar quan vas comprar l'aparell, i una subscripció per transcriure àudio als servidors d'un altre és pagar per segona vegada una capacitat de càlcul que ja tens.
Aquest intercanvi tenia sentit quan la inferència local era realment impossible. Ara costa més de defensar.
En tres anys, una subscripció de $10 al mes suma $360. Whisper Notes costa $7.99 un sol cop a l'iPhone i $14 un sol cop al Mac. El que realment compra la subscripció són subtítols en directe i edició compartida; si no necessites cap de les dues coses, estàs pagant una capacitat de càlcul que ja és teva.
| Servei | Any 1 | Any 3 | Any 5 |
|---|---|---|---|
| Subscripció al núvol ($10/mes) | $120 | $360 | $600 |
| Whisper Notes (un sol pagament) | $7.99 | $7.99 | $7.99 |
No cobrem subscripcions perquè no operem servidors. El teu àudio no toca mai la nostra infraestructura. No hi ha res a facturar cada mes.
Les filtracions de dades són arquitectòniques
Quan fas servir un servei de transcripció al núvol, el teu àudio viu als servidors d'algú altre. Qualsevol servidor que desa àudio el pot filtrar, per un atac, per un error de configuració o per un empleat amb accés, i les filtracions passen.
Les dades de veu comporten un risc únic. A diferència d'una contrasenya, la veu no es pot restablir. Els teus patrons vocals són identificadors biomètrics permanents. Un cop filtrats, queden compromesos per sempre. Els atacants poden fer servir empremtes de veu per evadir autenticacions, cometre frau d'identitat o generar deepfakes.
L'única manera d'eliminar aquest risc és eliminar la pujada. L'àudio que no surt mai del teu dispositiu no pot formar part d'una filtració de servidors: aquest és tot l'argument.
Pensa en qui grava àudio sensible:
- Advocats que graven consultes amb clients
- Terapeutes que documenten sessions amb pacients
- Periodistes que protegeixen les seves fonts
- Directius que capturen discussions estratègiques
- Metges que anoten historials de pacients
Per a aquests professionals, on es guarda l'àudio és una pregunta que han de poder respondre. La transcripció local no és una preferència. És un requisit.
La precisió i les seves contrapartides
El que el Whisper local fa millor: la transcripció literal. Si necessites un registre exacte del que s'ha dit — cada paraula, cada pausa, cada «ehem» — els models Whisper locals hi excel·leixen. En àudio net en anglès, la taxa d'error de paraula és d'un 5-8% aproximadament (Open ASR Leaderboard); el soroll i els accents la fan pujar. La transcripció és fidel al que s'ha dit.
El que hi aporta un model de llenguatge: resums i extracció. Un model local com Gemma, que Whisper Notes executa a l'app de Mac del nostre web, converteix una transcripció en un resum i una llista de tasques pendents. Els models grans al núvol encara raonen millor sobre transcripcions llargues i desordenades; per a «digue'm quines decisions s'han pres» després d'una reunió de dues hores, són l'eina més forta.
La contrapartida és real. Si el teu flux de treball és «transcriure → resumir amb Claude/GPT», obtens el millor de tots dos móns: una transcripció local precisa i un resum intel·ligent al núvol. El teu àudio en brut es manté privat. Només el text que tries compartir surt del teu dispositiu.
La IA local no resol totes les parts del flux de treball. Els models de veu són bons transcrivint; els models de llenguatge són millors resumint i raonant sobre el resultat. Mantén l'àudio local i tria després un model de llenguatge local o al núvol segons la sensibilitat del text.
| Tasca | Millor eina | Per què |
|---|---|---|
| Transcripció literal | Whisper local | Privadesa, velocitat, precisió |
| Resum de reunió | LLM local (Gemma, app de Mac del nostre web) o LLM al núvol, sobre la transcripció | Comprensió contextual |
| Extracció de tasques pendents | LLM local (Gemma, app de Mac del nostre web) o LLM al núvol, sobre la transcripció | Raonament semàntic |
| Col·laboració en temps real | Servei al núvol (Otter, etc.) | Coordinació multiusuari |
Xifres de velocitat reals
L'elecció del model canvia el resultat més del que la paraula «local» suggereix. Whisper Notes executa els tres al Mac i a l'iPhone, i el motor es tria a la Configuració; Parakeet és el model ràpid per defecte per a l'anglès i les llengües europees, SenseVoice està optimitzat per al xinès, el japonès, el coreà i el cantonès, i Whisper Large-v3 Turbo (Mac) / Whisper Small (iPhone) ofereix la cobertura més àmplia, amb més de 100 llengües.
| Dispositiu i model | Àudio de prova | Temps de processament | Millor per a |
|---|---|---|---|
| M4 Pro — Parakeet V3 | 35 min | ~18 s | Anglès i llengües europees |
| M4 Pro — SenseVoice | Podcast en xinès de 27 min | 13.83 s | Xinès, japonès, coreà, cantonès |
| M4 Pro — Whisper Turbo | Podcast en xinès de 27 min | 2 min 4 s | La cobertura lingüística més àmplia |
Mètode: Whisper Notes en un Apple M4 Pro amb 32 GB de RAM, temps real des de l'inici de la transcripció fins al text final. Parakeet va utilitzar una gravació de 35 minuts; SenseVoice i Whisper, el mateix podcast en xinès de 27 minuts. Són proves de producte, no benchmarks entre proveïdors de núvol.
La fitxa actual de l'App Store també informa d'uns 18 segons per a 5 minuts d'àudio amb Parakeet en un iPhone 15, davant d'aproximadament un minut amb Whisper. Els dispositius més antics són més lents. En tots els casos, la feina continua funcionant en mode avió perquè no hi ha cap pas de pujada.
Com transcriure àudio a text fora de línia (pas a pas)
Al Mac:
- Descarrega Whisper Notes per a Mac (prova gratuïta, sense compte).
- Tria un model a Configuració: Parakeet V3 per a velocitat en anglès, SenseVoice per al xinès, el japonès, el coreà o el cantonès, Whisper Large V3 Turbo per a més de 100 llengües. El model es descarrega un sol cop i després funciona fora de línia.
- Grava directament, o arrossega-hi qualsevol fitxer d'àudio o vídeo (MP3, WAV, M4A, MP4).
- Per a reunions en línia, activa la detecció de reunions. Zoom, Teams i Google Meet es detecten automàticament; l'àudio del sistema i el teu micròfon es capturen junts, i la transcripció es queda al teu Mac.
- El text apareix mentre es processa. Exporta'l com a TXT, SRT o VTT, o copia'l on vulguis. Un vídeo importat s'obre en un espai de subtítols on pots previsualitzar i editar els subtítols abans d'exportar-los.
A l'iPhone: instal·la Whisper Notes des de l'App Store, grava o importa des de Notes de Veu i Fitxers, i la transcripció s'executa al xip de la sèrie A. Activa primer el mode avió si vols la prova que no es puja res. Per automatitzar-ho, l'acció «Transcribe Audio» de l'app Dreceres rep un fitxer d'àudio i en retorna el text.
Com ho hem construït
Whisper Notes és la nostra implementació d'aquests principis. Val la pena destacar algunes decisions concretes:
Widgets a la pantalla de bloqueig
Les millors idees arriben en moments inoportuns. Hem creat widgets per a la pantalla de bloqueig perquè un sol toc des de la pantalla de bloqueig obri l'app i iniciï una gravació offline — sense buscar l'app, sense comprovar la connexió. El processament local significa disponibilitat immediata.
Gravant des de la pantalla de bloqueig.
Models adaptats al maquinari
Els Macs tenen marge tèrmic i energia de sobres. Els iPhones viuen a la teva butxaca. Tots dos executen ara la mateixa gamma de models — Parakeet V3 (el predeterminat), Whisper Large-v3 Turbo (809 milions de paràmetres, Mac) / Whisper Small (iPhone) i SenseVoice — cadascun ajustat al seu maquinari. Les mateixes garanties de privadesa, amb un ús adequat dels recursos.
Les teves dades, els teus fitxers
Les transcripcions són fitxers al teu dispositiu. Al Mac, cada transcripció es desa com a fitxer Markdown (.md) al costat del seu àudio, amb una capçalera YAML (data, origen, durada), a la carpeta que triïs; si l'apuntes a una caixa forta d'Obsidian, cada gravació es converteix en una nota. Sense bases de dades propietàries, sense dependència del proveïdor. Si Whisper Notes desaparegués demà, les teves gravacions continuarien sent accessibles. L'exportació massiva no és una funció prèmium — és l'estat natural de les dades que et pertanyen.
Exportació en bloc de transcripcions i àudio.
Vocabulari personalitzat
Argot tècnic, noms poc habituals, termes específics d'un camp — el vocabulari que més necessita una transcripció precisa sol ser el que menys vols pujar enlloc. Els prompts inicials et permeten afegir context localment. El model s'hi adapta sense que la teva terminologia es converteixi en dades d'entrenament.
A l'iPhone, els noms i els termes van al camp de prompt inicial i guien el model sense sortir del dispositiu.
Quan el núvol funciona millor
No pretenem que la transcripció local sigui universalment millor. El núvol té avantatges reals:
Col·laboració d'equip en temps real. Cinc persones editant una transcripció alhora durant una reunió requereix coordinació de servidor. Les eines locals són monousuari per naturalesa.
Identificació de parlants a gran escala. L'etiquetatge de parlants al dispositiu ja ha arribat — Whisper Notes ara etiqueta «qui ha dit què» completament al dispositiu, a l'iPhone i al Mac. La diarització a escala del núvol encara manté avantatge per a grups molt grans i veus molt encavalcades, però en entrevistes de dues persones i reunions petites les etiquetes del dispositiu ja són prou precises per fer-les servir (99,1% de precisió per frase a la nostra prova amb dos parlants).
Automatització de fluxos de treball. Els serveis al núvol es connecten a CRMs, extreuen tasques pendents i envien resums a Slack. Les eines locals produeixen fitxers de text — el que en facis després és manual.
Maquinari antic. Els iPhones anteriors a l'A14, els Macs amb Intel — alguns dispositius no poden executar inferència local de manera pràctica. El núvol continua sent l'única opció.
Si la teva necessitat principal és la col·laboració en equip durant reunions en directe, les eines al núvol probablement són millors. Si sobretot transcrius les teves pròpies gravacions i la privadesa t'importa, el processament local s'hi ajusta millor.
La trajectòria
Cada generació de xips aporta més rendiment al Neural Engine. Cada iteració dels models aporta més eficiència. La distància entre local i núvol s'escurça mentre els avantatges de privadesa i latència es mantenen constants.
La transcripció al núvol tenia sentit mentre els telèfons no podien executar els models. Des del 2022, més o menys, ja poden.
La transcripció local ja funciona en el maquinari d'Apple. Les úniques raons que queden per pagar una subscripció són els subtítols en directe i l'edició compartida, i si cap de les dues no és a la teva llista, no n'hi ha una tercera.
Detalls tècnics
Requisits de dispositiu: iOS 18 o posterior (es recomana un iPhone 12 o més recent) o un Mac amb Apple Silicon.
Models: Parakeet V3 per a 25 llengües europees, SenseVoice Small per al xinès, el japonès, el coreà i el cantonès, i Whisper (Large V3 Turbo al Mac, Small a l'iPhone) per a més de 100 llengües. Les tres famílies de motors funcionen localment al Mac i a l'iPhone.
Velocitat: Parakeet V3: 35 min d'àudio en 18 segons en un M4 Pro. SenseVoice: podcast en xinès de 27 min en 14 segons. Whisper Turbo: 35 min en ~3 minuts.
IA local a l'app de Mac del nostre web: activa les funcions d'IA i el model local Gemma resumeix una gravació, proposa un títol i respon preguntes sobre una transcripció, sense cap API al núvol.
Preu: $7.99 un sol cop a l'iPhone. Al Mac, 5.000 paraules per setmana gratis i després $14 un sol cop.
Veu a text fora de línia a Windows i Android
Whisper Notes està construït per a Apple Silicon, així que només funciona al Mac i l'iPhone. En altres plataformes, les opcions actuals són:
Windows: Whisper Notes només és per a Mac i iPhone, així que les millors opcions gratuïtes són Buzz (una interfície gràfica senzilla per a Whisper) i faster-whisper (línia d'ordres, diverses vegades més ràpid que la implementació de referència en el mateix maquinari). Tots dos funcionen completament fora de línia un cop descarregat el model. Compta amb més fricció de configuració que amb una aplicació nativa — entorns de Python, fitxers de model, controladors de GPU si vols velocitat.
Android: whisper.cpp té versions per a Android i algunes aplicacions que l'embolcallen, però la qualitat i el manteniment varien. Encara no hi ha cap aplicació de transcripció fora de línia polida i de referència a Android — consulta l'estat de Whisper Notes per a Android per veure com estan les coses.
Molta gent busca «Whisper Notes Windows» perquè vol el mateix model offline, de compra única, en un PC. No en pensem fer cap, i ho preferim dir clarament abans que deixar la pregunta oberta (l’explicació completa és a la pàgina Whisper Notes per a Windows). Que la transcripció local vagi avui a 100x temps real es deu al Neural Engine d’Apple.
Traducció de veu fora de línia: què pot fer la IA local i què no
Sovint sorgeix una pregunta relacionada: la IA local pot traduir la parla, no només transcriure-la? Parcialment. El model original Whisper Large V3 es va entrenar per a dues tasques — la transcripció i la traducció de qualsevol llengua a l'anglès. Executat localment, pot agafar àudio en francès, japonès o àrab i produir text en anglès, completament fora de línia. Dues advertències: només tradueix cap a l'anglès (no en l'altra direcció), i això s'aplica al model Large V3 complet — la variant més ràpida Large-v3 Turbo va renunciar a la tasca de traducció per especialitzar-se en la transcripció.
La traducció de veu fora de línia encara està en una fase inicial. No hi ha cap aplicació de consum àmpliament adoptada que iguali la traducció de veu a veu en temps real a l'estil del núvol mantenint-se completament fora de línia. El flux de treball pràctic avui té dos passos: transcriu localment i després tradueix el text resultant amb una eina en què confiïs. L'àudio en brut no ha de sortir mai del teu dispositiu.
Preguntes freqüents
Es pot transcriure sense connexió a internet?
Sí. Whisper Notes és un programari de transcripció fora de línia que funciona completament al teu dispositiu. Els tres models d'IA — Parakeet V3, SenseVoice i Whisper — processen l'àudio localment amb el Neural Engine del teu Mac o el xip de la sèrie A del teu iPhone. No es puja cap dada, no es contacta cap servidor. Ho pots comprovar tu mateix activant el mode avió.
OpenAI Whisper funciona fora de línia?
Sí. OpenAI va publicar Whisper com a model de codi obert, cosa que vol dir que pot funcionar localment al teu maquinari. Whisper Notes empaqueta Whisper Large V3 Turbo perquè s'executi en Apple Silicon via CoreML/Metal — sense Python, sense línia d'ordres, sense internet. Admet més de 100 llengües amb reconeixement de veu fora de línia. Per a una anàlisi detallada de la família de models, consulta la nostra guia de transcripció amb Whisper.
Whisper Notes està disponible per a Windows o Android?
No, i no en pensem fer cap. Whisper Notes funciona al Mac (sèrie M) i a l'iPhone (12 o posterior). A Windows, les alternatives són faster-whisper (línia d'ordres) o Buzz (interfície gràfica); a Android, les aplicacions basades en whisper.cpp. La velocitat de Whisper Notes ve del Neural Engine d'Apple, i ni els PC amb Windows ni els mòbils Android tenen cap equivalent únic sobre el qual construir.
Hi ha una aplicació gratuïta de transcripció fora de línia?
A l'iPhone, Whisper Notes costa $7.99 un sol cop, i la mateixa compra a l'App Store també inclou la versió de la Mac App Store. Al Mac és gratis fins a 5.000 paraules per setmana i després costa $14 un sol cop. Cap de les dues versions té subscripció.
Com es compara Whisper Notes amb MacWhisper o faster-whisper?
MacWhisper és un frontend de Whisper només per a Mac. faster-whisper és una eina de línia d'ordres. Whisper Notes inclou Parakeet V3, SenseVoice i Whisper al Mac i l'iPhone, a més del dictat amb la tecla Fn a l'app de Mac del nostre web i la captura des de la pantalla de bloqueig a l'iPhone. Costa $7.99 un sol cop a l'iPhone; al Mac, 5.000 paraules per setmana gratis i després $14 un sol cop.
Quin és el millor programari de veu a text fora de línia?
Depèn de la teva plataforma. Al Mac i l'iPhone, Whisper Notes ofereix tres motors locals amb pagament únic: $7.99 un sol cop a l'iPhone; al Mac, 5.000 paraules per setmana gratis i després $14 un sol cop. A Windows o Linux, Buzz (interfície gràfica) o faster-whisper (línia d'ordres) són gratuïts i de codi obert. El dictat integrat és suficient per a notes curtes, però no està dissenyat per a gravacions llargues.
Puc convertir àudio a text fora de línia gratis?
Sí. Whisper Notes per a Mac té una prova gratuïta, i les eines de codi obert com whisper.cpp, faster-whisper i Buzz són completament gratuïtes en totes les plataformes d'escriptori. També hi ha serveis gratuïts al núvol, però pugen el teu àudio — cosa que anul·la el propòsit si has buscat «fora de línia» precisament per la privadesa.
Puc executar Whisper com a API local amb LocalAI?
Sí. LocalAI és un servidor d'API de codi obert compatible amb OpenAI que pot servir models de whisper.cpp, de manera que pots allotjar al teu propi maquinari un substitut directe dels serveis de transcripció al núvol. És una bona opció per a desenvolupadors que construeixen fluxos fora de línia. Si vols els mateixos models sense configurar cap servidor, Whisper Notes els executa com a aplicació nativa al Mac i l'iPhone.
Descarregar per a iOS