Offline Převod Řeči na Text: Nejlepší Lokální AI Přepisovací Software

Whisper Notes rozpoznává řeč přímo v zařízení, na Macu i na iPhonu.

Stručná odpověď: nejlepší offline převod řeči na text podle platformy

Pokud chcete jen odpověď: na Macu a iPhonu použijte Whisper Notes — tři lokální AI enginy za jednorázovou platbu: na iPhonu jednou $7.99 (stejný nákup v App Store odemkne i verzi z Mac App Store); na Macu 5 000 slov týdně zdarma, potom jednou $14. Na Windows použijte Buzz nebo faster-whisper (zdarma, open source). Na Androidu je nabídka stále slabá — viz sekce o platformách níže. Každý nástroj v této tabulce běží 100% offline:

Zbytek tohoto průvodce vysvětluje, proč lokální přepis vítězí v latenci, ceně i soukromí — s reálnými čísly z benchmarků — a krok za krokem ukazuje, jak přepsat zvuk na text offline.

Problém latence

Cloudová transkripční pipeline vypadá takto: mluvíte, zvuk se nahraje na server, API ho zpracuje a výsledky se vrátí zpět.

Lokální přepis: všechna tato latence mizí. Zvuk nikdy neopustí vaše zařízení, zpracování probíhá přímo na čipu a výsledky se objeví okamžitě. Žádné nahrávání na server, žádné čekání, žádný točící se indikátor „zpracovává se“.

Novější iPhony a Macy s Apple Silicon obsahují vyhrazený Neural Engine pro strojové učení přímo na zařízení. Lokální přepis využívá hardware, který už vlastníte, místo čekání na upload a odpověď vzdáleného serveru.

V roce 2019 dával cloudový přepis smysl. Váš telefon neuměl spustit neuronovou síť s miliardou parametrů. Toto omezení padlo. M4 Pro zpracuje 35 minut zvuku s Parakeet V3 zhruba za 18 sekund a s Whisper Turbo asi za tři minuty, v obou případech bez nahrávání čehokoli.

Cloudový přepis má stále smysl pro živou spolupráci a centralizovaná workflow. U soukromé nahrávky, kterou potřebujete jen vy, je upload často zbytečný.

Za čip jste už zaplatili

Neural Engine v Macu s čipem řady M nebo v novějším iPhonu většinu dne nic nedělá, a přitom tyto modely utáhne.

Za tenhle křemík jste zaplatili, když jste si zařízení koupili, a předplatné za přepis zvuku na cizích serverech znamená platit podruhé za výpočetní výkon, který už máte.

Tahle výměna dávala smysl, dokud lokální inference opravdu nebyla možná. Dnes se obhajuje hůř.

Za tři roky vás předplatné za $10 měsíčně vyjde na $360. Whisper Notes stojí jednorázově $7.99 na iPhonu a $14 na Macu. Předplatné vám ve skutečnosti kupuje živé titulky a společné úpravy; pokud nepotřebujete ani jedno, platíte za výkon, který už vlastníte.

Předplatné neúčtujeme, protože neprovozujeme servery. Váš zvuk se naší infrastruktury nikdy nedotkne. Není za co měsíčně fakturovat.

Úniky dat jsou otázka architektury

Když používáte cloudovou transkripční službu, váš zvuk žije na cizích serverech. Každý server, který ukládá zvuk, ho může vyzradit — při útoku, kvůli chybné konfiguraci nebo přes zaměstnance s přístupem — a k únikům skutečně dochází.

Hlasová data nesou zvláštní riziko. Na rozdíl od hesla si hlas nemůžete resetovat. Vaše hlasové vzorce jsou trvalé biometrické identifikátory. Jakmile jednou uniknou, jsou kompromitované navždy. Útočníci mohou otisky hlasu zneužít k obejití hlasového ověření, ke krádeži identity nebo k výrobě deepfaků.

Jediný způsob, jak toto riziko odstranit, je odstranit upload. Zvuk, který nikdy neopustí vaše zařízení, nemůže být součástí úniku ze serveru — v tom je celý argument.

Zamyslete se, kdo nahrává citlivý zvuk:

• Právníci nahrávající konzultace s klienty
• Terapeuti dokumentující sezení s pacienty
• Novináři chránící své zdroje
• Manažeři zachycující strategické diskuse
• Lékaři zapisující anamnézy pacientů

Tito profesionálové musí umět odpovědět na otázku, kde je jejich zvuk uložený. Lokální přepis pro ně není preference. Je to nutnost.

Přesnost a její kompromisy

Co dělá lokální Whisper lépe: doslovný přepis. Pokud potřebujete přesný záznam toho, co bylo řečeno — každé slovo, každou pauzu, každé „ehm“ — lokální modely Whisper excelují. Na čisté anglické nahrávce se chybovost slov pohybuje kolem 5–8 % (Open ASR Leaderboard); šum a přízvuky ji zvyšují. Přepis je věrný tomu, co zaznělo.

Co přidá jazykový model: shrnutí a extrakci. Lokální model, jako je Gemma, kterou Whisper Notes spouští ve verzi pro Mac z našeho webu, udělá z přepisu shrnutí a seznam úkolů. Větší cloudové modely si s dlouhými, neuspořádanými přepisy pořád poradí lépe, takže na „řekni mi, jaká rozhodnutí padla“ po dvouhodinové schůzce jsou silnějším nástrojem.

Ten kompromis je reálný. Pokud váš postup zní „přepiš → shrň pomocí Claude/GPT“, získáte to nejlepší z obojího: přesný lokální přepis a chytré cloudové shrnutí. Surový zvuk zůstává soukromý. Zařízení opustí jen text, který se sami rozhodnete sdílet.

Lokální AI neřeší každou část pracovního postupu. Řečové modely jsou dobré v přepisu; jazykové modely jsou lepší ve shrnování a uvažování nad výsledkem. Nechte zvuk lokálně a jazykový model — lokální, nebo cloudový — pak zvolte podle citlivosti textu.

Skutečná čísla rychlosti

Volba modelu mění výsledek víc, než slovo „lokální“ napovídá. Whisper Notes všechny tři spouští na Macu i iPhonu a engine si vyberete v Nastavení; Parakeet je rychlá výchozí volba pro angličtinu a evropské jazyky, SenseVoice je optimalizovaný pro čínštinu, japonštinu, korejštinu a kantonštinu a Whisper Large-v3 Turbo (Mac) / Whisper Small (iPhone) nabízí nejširší pokrytí 100+ jazyků.

Metodika: Whisper Notes na Apple M4 Pro s 32 GB RAM, měřen reálný čas od spuštění přepisu po finální text. Parakeet dostal 35minutovou nahrávku; SenseVoice a Whisper stejný 27minutový čínský podcast. Jde o produktové testy, ne o srovnávací benchmarky cloudových služeb.

Aktuální popis v App Storu také uvádí zhruba 18 sekund na 5 minut zvuku s Parakeetem na iPhonu 15, oproti přibližně minutě s Whisperem. Starší zařízení jsou pomalejší. V každém případě přepis pokračuje i v režimu Letadlo, protože žádný krok nahrávání na server neexistuje.

Jak přepsat zvuk na text offline (krok za krokem)

Na Macu:

1. Stáhněte si Whisper Notes pro Mac (bezplatná zkušební verze, bez účtu).
2. V Nastavení zvolte model: Parakeet V3 pro rychlou angličtinu, SenseVoice pro čínštinu, japonštinu, korejštinu nebo kantonštinu, Whisper Large V3 Turbo pro 100+ jazyků. Model se stáhne jednou a pak funguje offline.
3. Nahrávejte přímo, nebo přetáhněte libovolný zvukový či video soubor (MP3, WAV, M4A, MP4).
4. Pro online schůzky zapněte detekci schůzek. Zoom, Teams a Google Meet se rozpoznají automaticky; systémový zvuk a mikrofon se zachytávají společně a přepis zůstává na vašem Macu.
5. Text naskakuje průběžně už během zpracování. Exportujte jako TXT, SRT nebo VTT, nebo ho zkopírujte kamkoli. Importované video se otevře v editoru titulků, kde titulky před exportem zkontrolujete a upravíte.

Na iPhonu: nainstalujte si Whisper Notes z App Storu, nahrávejte nebo importujte z Diktafonu a Souborů a přepis poběží na čipu A-series. Pokud chcete důkaz, že se nic nikam nenahrává, zapněte nejdřív režim Letadlo. Pro automatizaci slouží akce „Transcribe Audio“ v aplikaci Zkratky: vezme zvukový soubor a vrátí text.

Jak jsme to postavili

Whisper Notes je naše implementace těchto principů. Několik konkrétních rozhodnutí stojí za zmínku:

Widgety na zamčené obrazovce

Nejlepší myšlenky přicházejí v nevhodných chvílích. Postavili jsme widgety na zamčenou obrazovku, aby jedno klepnutí ze zamčené obrazovky otevřelo aplikaci a spustilo offline nahrávání — bez hledání aplikace, bez kontroly připojení. Lokální zpracování znamená okamžitou dostupnost.

Modely přizpůsobené hardwaru

Macy mají tepelnou rezervu a dostatek energie. iPhony nosíte v kapse. Obě platformy dnes běží stejnou sestavu modelů — Parakeet V3 (výchozí), Whisper Large-v3 Turbo (809 milionů parametrů, Mac) / Whisper Small (iPhone) a SenseVoice — každý vyladěný pro svůj hardware. Stejné záruky soukromí, přiměřené využití zdrojů.

Vaše data, vaše soubory

Přepisy jsou soubory ve vašem zařízení. Na Macu se každý přepis ukládá jako soubor Markdown (.md) vedle své nahrávky, s hlavičkou YAML (datum, zdroj, délka), do složky, kterou si zvolíte; nastavte ji na trezor Obsidianu a z každé nahrávky bude poznámka. Žádná proprietární databáze, žádné uzamčení u dodavatele. Kdyby Whisper Notes zítra zmizel, vaše nahrávky zůstanou přístupné. Hromadný export není prémiová funkce — je to přirozený stav dat, která vlastníte.

Vlastní slovník

Odborný žargon, neobvyklá jména, doménové termíny — slovní zásoba, která nejvíc potřebuje přesný přepis, je často ta, kterou nejméně chcete posílat na server. Počáteční prompty vám umožní přidat kontext lokálně. Model se přizpůsobí, aniž by se vaše terminologie stala trénovacími daty.

Na iPhonu se jména a výrazy zadávají do pole úvodního promptu; vedou model, aniž by opustily zařízení.

Kdy funguje cloud lépe

Nepředstíráme, že lokální přepis je univerzálně lepší. Cloud má skutečné výhody:

Týmová spolupráce v reálném čase. Pět lidí současně upravujících přepis během schůzky vyžaduje serverovou koordinaci. Lokální nástroje jsou ze své podstaty pro jednoho uživatele.

Identifikace mluvčích ve velkém měřítku. Označování mluvčích přímo na zařízení je tady — Whisper Notes nyní označuje „kdo co řekl“ zcela na zařízení, na iPhonu i Macu. Diarizace v cloudovém měřítku má stále navrch u velmi velkých skupin a silně se překrývající řeči, ale u rozhovorů ve dvou a malých schůzek jsou štítky mluvčích ze zařízení dost přesné, aby se daly používat (99,1% přesnost na úrovni vět v našem testu se dvěma mluvčími).

Automatizace pracovních postupů. Cloudové služby se napojují na CRM, extrahují úkoly, posílají shrnutí do Slacku. Lokální nástroje produkují textové soubory — co s nimi uděláte dál, je na vás.

Starší hardware. iPhony starší než čip A14, Intel Macy — některá zařízení lokální inferenci prakticky nezvládnou. Cloud zůstává jedinou možností.

Pokud je vaší hlavní potřebou týmová spolupráce během živých schůzek, cloudové nástroje jsou pravděpodobně lepší. Pokud přepisujete hlavně vlastní nahrávky a záleží vám na soukromí, lokální zpracování sedí lépe.

Trajektorie

Každá generace čipů přináší vyšší výkon Neural Enginu. Každá iterace modelů přináší lepší efektivitu. Rozdíl mezi lokálním a cloudovým zpracováním se zmenšuje, zatímco výhody v soukromí a latenci zůstávají.

Cloudový přepis dával smysl, dokud telefony nedokázaly modely spustit. Zhruba od roku 2022 to dokážou.

Lokální přepis na hardwaru Apple dnes funguje. Jako důvody platit předplatné zbývají živé titulky a společné úpravy — a pokud ani jedno nepotřebujete, třetí důvod neexistuje.

Technické podrobnosti

Offline převod řeči na text na Windows a Androidu

Whisper Notes je postavený pro Apple Silicon, takže běží jen na Macu a iPhonu. Na ostatních platformách jsou aktuální možnosti tyto:

Windows: Whisper Notes je jen pro Mac a iPhone, takže nejlepší bezplatné volby jsou Buzz (jednoduché GUI pro Whisper) a faster-whisper (příkazová řádka, na stejném hardwaru několikanásobně rychlejší než referenční implementace). Obě po stažení modelu běží plně offline. Počítejte ale s větším třením při zprovoznění než u nativní aplikace — prostředí Pythonu, soubory modelů, ovladače GPU, pokud chcete rychlost.

Android: whisper.cpp má porty pro Android a několik obalových aplikací, ale kvalita i údržba kolísají. Vyladěná mainstreamová offline transkripční aplikace na Androidu zatím neexistuje — aktuální stav najdete na stránce Whisper Notes pro Android.

Spousta lidí hledá „Whisper Notes Windows“, protože chce stejný offline model s jednorázovým nákupem na PC. Takovou verzi nechystáme a raději to řekneme na rovinu, než abychom otázku nechávali otevřenou (celé vysvětlení najdete na stránce Whisper Notes pro Windows). Že lokální přepis dnes běží stonásobkem reálného času, je zásluha Neural Engine od Applu.

Offline překlad řeči: co lokální AI umí a co ne

Často se objevuje související otázka: umí lokální AI řeč překládat, nejen přepisovat? Částečně. Původní model Whisper Large V3 byl trénován na dvou úlohách — přepisu a překladu z libovolného jazyka do angličtiny. Spuštěný lokálně dokáže vzít francouzský, japonský nebo arabský zvuk a vypsat anglický text, plně offline. Dvě výhrady: překládá pouze do angličtiny (ne opačným směrem) a platí to pro plný model Large V3 — rychlejší varianta Large-v3 Turbo úlohu překladu vypustila, aby se specializovala na přepis.

Offline překlad řeči je stále v počátcích. Neexistuje široce rozšířená spotřebitelská aplikace, která by se vyrovnala cloudovému překladu řeči na řeč v reálném čase a přitom zůstala plně offline. Praktický postup má dnes dva kroky: přepište lokálně a výsledný text pak přeložte nástrojem, kterému důvěřujete. Surový zvuk nikdy nemusí opustit vaše zařízení.

Často kladené otázky

Stáhnout pro iOS Vyzkoušejte zdarma na Macu