Mac ও iPhone-এর সেরা অফলাইন ট্রান্সক্রিপশন অ্যাপ (2026)

সংক্ষেপে উত্তর

• আপনার দলগত কাজ আর শেয়ার করা মন্তব্য দরকার — ক্লাউডেই যান: Otter বা Notta। দামটা হলো, অডিও আপলোড হয় আর সাবস্ক্রিপশন বারবার নবায়ন হয়।
• অডিও আপনার নিজের যন্ত্রেই থাকতে হবে — বাস্তব বিকল্প দুটো: MacWhisper সুইস আর্মি নাইফ, সব আছে কিন্তু জটিল; Whisper Notes সরলটা। দুটোরই Mac ও iOS সংস্করণ আছে।
• আপনি Windows বা Linux-এ আছেন, কিংবা বাজেট শূন্য — Buzz, বিনামূল্যে ও ওপেন সোর্স।
• মাঝেমধ্যে ইংরেজিতে একটা মেমো রেকর্ড করেন — Apple-এর নিজস্ব টুলই এটা বিনামূল্যে করে দেয়।

আপনার রেকর্ডিং কি অন্য কারও সার্ভারে যেতে পারে?

স্পিচ-টু-টেক্সট টুল দুই রকমই হয়: মডেল হয় আপনার নিজের যন্ত্রে চলে, নয়তো আপনি কোনো কোম্পানির API ডাকেন। আপনার রেকর্ডিংয়ের গোপনীয়তা, নির্ভুলতা আর সাধারণত দামটাও এটাই ঠিক করে দেয় — API সেবা কার্যত কেবল সাবস্ক্রিপশনেই মেলে, একবারে কেনা যায় না।

API-র সুবিধা হলো ক্লাউডের GPU-তে চালানো: মডেলের আকার কয়েক গিগাবাইট, এমনকি কয়েক দশ গিগাবাইটও হতে পারে, আর তাতেই মেলে সবচেয়ে এগিয়ে থাকা ট্রান্সক্রিপশন নির্ভুলতা — যেমন ElevenLabs-এর Scribe। দামটাও ঠিক ততটাই বাস্তব: আপনার অডিও চলে যায় অন্য কারও সার্ভারে, মিনিট গোনা হয়, একটা ঊর্ধ্বসীমা থাকে, আর সাবস্ক্রিপশন নবায়ন হয়ে যায়।

অন্যদিকে Apple-এর M সিরিজের চিপ আর নতুন iPhone-এ এখন এতটাই লোকাল ক্ষমতা যে ওপেন স্পিচ মডেল সেখানেই চলে যায়, আর ফারাকটা নেমে আসে এমন জায়গায় যা বেশিরভাগ রেকর্ডিংয়ে টেরই পাওয়া যায় না (সৎ তুলনাটা নিচে FAQ-তে আছে) — রেকর্ডিং যন্ত্র ছেড়ে যায় না, ট্রান্সক্রিপশন দ্রুত ও নির্ভুল, আর এই অ্যাপগুলো সাধারণত একবারেই বিক্রি হয়।

এই পাতার বাকিটা শুধু লোকাল টুল নিয়ে।

পুরো মাঠ, এক নজরে

• MacWhisper: স্পিকার শনাক্তকরণ, ব্যাচ কিউ, ওয়াচড ফোল্ডার আর মিটিং রেকর্ডিং Pro ফিচার, বিনামূল্যের টিয়ারের নয়, আর অন-ডিভাইস মডেল চালাতে iOS অ্যাপের দরকার iPhone 15 বা নতুন।
• Whisper Notes: Mac App Store সংস্করণে Fn ভয়েস টাইপিং নেই, স্বয়ংক্রিয় মিটিং শনাক্তকরণও নেই; ও দুটো শুধু সরাসরি ডাউনলোডেই আছে।
• Superwhisper: নকশাতেই হাইব্রিড: নির্ভুলতা ও পুনর্লিখনের কয়েকটি ফিচার অডিও বা টেক্সট ক্লাউড প্রোভাইডারের মধ্য দিয়ে পাঠায়, তাই সেশন লোকাল থাকবে কি না তা নির্ভর করে আপনার বেছে নেওয়া মোডের উপর।
• VoiceInk: এটি ফাইল ট্রান্সক্রিপশনের নয়, ডিক্টেশনের অ্যাপ: ফাইল ইমপোর্ট নেই, মিটিং রেকর্ডিং নেই, স্পিকার লেবেলও নেই, আর iOS অ্যাপটিও ডিক্টেশনের।
• Aiko: স্পিকার শনাক্তকরণ নেই, ইঞ্জিন বেছে নেওয়া নেই, অ্যাপের ভিতরে সম্পাদনাও নেই — ট্রান্সক্রিপ্ট রপ্তানি করে অন্য কোথাও ঠিক করতে হয়।
• Buzz: ফোন অ্যাপ নেই, স্পিকার লেবেলও নেই, আর এটি পণ্য নয় বরং একটি ইউটিলিটি — ইন্টারফেস আর সেটআপেই তা বোঝা যায়।
• Apple Voice Memos / Dictation: ভাষার তালিকা সীমিত, Whisper-এর 101-এর চেয়ে অনেক কম, স্পিকার আলাদা করা যায় না, TXT, SRT বা VTT রপ্তানি নেই, আর একসঙ্গে একটিই রেকর্ডিং, সেটিও Apple-এর নিজের অ্যাপে তৈরি।
• Otter / Notta: অডিও আপলোড হয় আর মিনিট হিসেব করা হয় — Otter-এর বিনামূল্যের Basic টিয়ারে মাসে 300 মিনিট, একটি কথোপকথনের সীমা 30 মিনিট — আর অংশগ্রহণকারীর তালিকায় একটি বট দেখা দিতে পারে।

কোনো ঘরে লেখা শর্ত জানায় ফিচারটি কিসের উপর নির্ভর করে; "না" মানে টুলটি কাজটি একেবারেই করে না।

ফিচার আর দাম প্রতিটি কোম্পানি নিজের সাইটে যেভাবে জানায় সেভাবেই দেওয়া, আর এগুলো বদলায়; টেবিলের ক্রম কোনো ক্রমতালিকা নয়। কেনার আগে কোম্পানির সাইটটা দেখে নিন।

লোকাল লড়াই: MacWhisper না Whisper Notes

অডিও যন্ত্রেই থাকবে ধরে নিলে Apple প্ল্যাটফর্মে সংক্ষিপ্ত তালিকা দাঁড়ায় দুটো অ্যাপে: MacWhisper আর Whisper Notes। দুটোই একই ওপেন স্পিচ মডেল চালায়, দুটোই একবারে বিক্রি হয়, দুটোরই Mac আর iPhone সংস্করণ আছে, আর দুটোই এই পাতার শেষে থাকা এয়ারপ্লেন-মোড পরীক্ষায় পাশ করে। পার্থক্যটা নীতির নয়, মেজাজের: একটা সব অপশন সামনে বিছিয়ে দেয়, অন্যটা পর্দা পরিষ্কার রাখে।

MacWhisper — একটা ট্রান্সক্রিপশন অ্যাপে যত ফিচার থাকা সম্ভব

MacWhisper-এর ফ্রি টিয়ার চেনা অডিও ও ভিডিও ফরম্যাটের মৌলিক ট্রান্সক্রিপশন করে 100+ ভাষায়, সঙ্গে প্লেইন-টেক্সট ও SRT/VTT এক্সপোর্ট, মাইক্রোফোন রেকর্ডিং আর সিস্টেম-ওয়াইড ডিক্টেশন। Pro লাইসেন্স — এককালীন €64, লাইফটাইম আপডেটসহ, যেমনটা MacWhisper নিজের সাইটেই লেখে — একে পুরো ওয়ার্কস্টেশন বানিয়ে দেয়: স্বয়ংক্রিয় স্পিকার শনাক্তকরণ, ব্যাচ সারি, ওয়াচড ফোল্ডার, YouTube ও মিডিয়া-URL ট্রান্সক্রিপশন, Zoom, Teams, Webex, Skype, Chime ও Discord-এ মিটিং রেকর্ডিং, সাবটাইটেল অনুবাদ, প্রতি স্পিকারের আলাদা পডকাস্ট ফাইল, .docx/.pdf/.md/.html এক্সপোর্ট, একটা CLI, আর Notion, Obsidian ও Zapier-এর সঙ্গে ইন্টিগ্রেশন। ট্রান্সক্রিপশনের কোনো ফিচার যদি কোথাও থেকে থাকে, MacWhisper সম্ভবত সেটা বানিয়ে ফেলেছে। সব এক ছাদের নিচে চাইলে এটাই কিনুন; টুলটা সরল থাকুক চাইলে Whisper Notes-এর অংশটা পড়ে যান।

এই বিস্তারের দাম টুলটার গড়নেই মেটাতে হয়: এটা ঠাসবুনোট। এর iOS অ্যাপের নাম Whisper Transcription, আর তাতে Mac-এর ফিচারগুলোর একটা অংশই আছে; কোম্পানির নিজের নথি অনুযায়ী যন্ত্রে চলা মডেলটির জন্য iPhone 15 বা নতুন দরকার। ককপিট ভালো লাগলে — অনেক পেশাদারেরই লাগে — এর কোনোটাই খুঁত নয়। ফিচার-ধরে-ফিচার তুলনা আছে Whisper Notes বনাম MacWhisper পাতায়।

সীমাবদ্ধতা: বিনামূল্যের টিয়ার মৌলিক ট্রান্সক্রিপশন ও রপ্তানি করে, তাই স্পিকার শনাক্তকরণ, ব্যাচ কিউ, ওয়াচড ফোল্ডার আর মিটিং রেকর্ডিং আসে €64-এর Pro লাইসেন্সের সঙ্গে; আর iOS অ্যাপটি, Whisper Transcription, ডিভাইসেই মডেল চালাতে চায় iPhone 15 বা নতুন।

Whisper Notes — তিনটে কাজ, পরিচ্ছন্নভাবে, আপনার দুটো যন্ত্রেই

মানুষ কণ্ঠস্বর দিয়ে আসলে যে তিনটে কাজ করে, Whisper Notes সেগুলোতেই মন দেয় এবং তার চারপাশের সবকিছু যতটা সম্ভব কম রাখে। ভয়েস টাইপিং: Fn চেপে ধরে বলুন, শব্দগুলো সেই অ্যাপেই টাইপ হয়ে যায় যেটা সামনে খোলা — Slack, কোনো এডিটর, টার্মিনাল (ডাইরেক্ট ডাউনলোড সংস্করণ)। মিটিং ট্রান্সক্রিপশন: দুই Mac চ্যানেলেই সিস্টেম অডিও আর মাইক্রোফোন, কলে কোনো বট নেই; ডাইরেক্ট ডাউনলোড সংস্করণ Zoom, Teams ও Google Meet কল নিজেই চিনে রেকর্ডিং শুরু করে দেয়, তারপর Gemma 4 দিয়ে সারসংক্ষেপ ও করণীয় তালিকা যন্ত্রেই লিখে ফেলে — কোনো API key লাগে না, কোনো ক্লাউড কল হয় না। ফাইল ট্রান্সক্রিপশন: প্রতিটি চ্যানেলে তিনটে ইঞ্জিন — Parakeet V3, Whisper, SenseVoice — যারা মিলে 101টি ভাষা কভার করে, আর যন্ত্রেই চলা স্পিকার লেবেল, যা এক ঘণ্টার অডিওতে প্রায় 15 সেকেন্ডে লেবেল বসিয়ে দেয়।

iPhone-এ আপনি ছেঁটে দেওয়া নয়, পুরো টুলসেটই পান: রেকর্ডিং, ফাইল ইমপোর্ট, ফোল্ডার, ইঞ্জিন বাছাই আর স্পিকার লেবেল, সবই ফোনের ভেতরেই চলে (iOS 18 বা পরের, iPhone 12 বা নতুন সুপারিশ করা হয়), আর App Store-এ একবার $7.99 দিলেই iPhone অ্যাপ ও Mac App Store সংস্করণ দুটোই কভার হয়ে যায়। ইন্টারফেস পথ ছেড়ে দাঁড়ায়: রেকর্ড করুন, পড়ুন, এক্সপোর্ট করুন, শেষ।

তাই বাছাইটা মেজাজ দিয়ে করুন। সব অপশন চাই আর ঠাসবুনোট টুল ভালো লাগে — MacWhisper কিনুন। চান টুলটা চোখেই না পড়ুক — তিনটে কাজ ঠিকঠাক, পরিষ্কার পর্দা, একই অ্যাপ পকেটে — Whisper Notes কিনুন। দুটো উত্তরই আপনার অডিও ঘরেই রাখে; কেউই এক বাইটও আপলোড করে না।

কাজ 1: কার্সরে ভয়েস টাইপিং

এটা সেই কাজের ধারা যেখানে আপনি একটা কি চেপে ধরেন, একটা বাক্য বলেন, ছেড়ে দেন, আর লেখাটা গিয়ে পড়ে সেই অ্যাপে যেটা সামনে খোলা। এই পাতার সবচেয়ে কঠিন কাজ এটাই: টুলটাকে এত দ্রুত হতে হয় যে আপনি তার দিকে খেয়ালই করা বন্ধ করে দেন, আর তাকে এমন অ্যাপের ভেতরে লেখা বসাতে হয় যেগুলো তার নিজের নয়।

Whisper Notes এই কাজটা Mac-এ সরাসরি করে — Fn চাপুন, বলুন, ছাড়ুন — সেই একই লোকাল ইঞ্জিন দিয়ে যারা আপনার রেকর্ডিং ট্রান্সক্রাইব করে, কিছু কনফিগার না করেই এবং প্রতিটি অ্যাপের জন্য আলাদা সেটআপ ছাড়াই। এটা আসে ডাইরেক্ট ডাউনলোড সংস্করণে; App Store বিল্ডে এটা রাখাই যায় না, কারণ Apple-এর স্যান্ডবক্স নিয়ম সেই অ্যাক্সেসিবিলিটি API-কে বাইরে রাখে যেটা অন্য অ্যাপে টাইপ করে — পুরো গল্পটা আছে Mac অ্যাপ কেন App Store ছাড়ল লেখায়। কারিগরি বিবরণ লেখা আছে Whisper দিয়ে Mac-এ সিস্টেম-ওয়াইড ডিক্টেশন-এ।

ডিক্টেশনের বিশেষজ্ঞ: Superwhisper আর VoiceInk

দুটো অ্যাপ ডিক্টেশনকে ফিচার নয়, গোটা পণ্য হিসেবেই দেখে; সারা দিন যদি ডিক্টেশনেই কাটে তাহলে ওরা দেখার মতো। Superwhisper-এর "modes" ব্যবস্থা কাঁচা ট্রান্সক্রিপ্টকে একটা প্রম্পট দিয়ে নতুন চেহারা দেয় — ইমেইল, কমিট মেসেজ, বাগ রিপোর্ট — আর এটা আজও আর কেউ পারেনি। ক্লাউডও ঢোকে এখানেই: নকশাটা হাইব্রিড, ডিফল্টে লোকাল মডেল, কিন্তু নির্ভুলতা ও পুনর্লিখনের বেশ কিছু ফিচার আপনার অডিও বা টেক্সট কোনো ক্লাউড প্রোভাইডারের ভেতর দিয়ে পাঠায় — অর্থাৎ "লোকাল" নির্ভর করে আপনি কোন মোড বেছেছেন তার ওপর। এটা macOS, Windows ও iOS-এ চলে, ফ্রি টিয়ার কখনো ফুরোয় না, আর নিজেদের সাইটে লেখা লাইফটাইম লাইসেন্স $249.99 এই পাতার সবচেয়ে বেশি দাম। VoiceInk একই ডিক্টেশন-চক্র Apple Silicon Mac-এ দেয় $29-এর এককালীন লাইসেন্সে (একাধিক Mac হলে বেশি), আর এর উন্নয়ন হয় GitHub-এ প্রকাশ্যে — অর্থাৎ গোপনীয়তার দাবিটা সোর্স পড়েই যাচাই করা যায়। লম্বা মুখোমুখি তুলনা আছে আমাদের Superwhisper বিকল্প পাতায়।

সীমাবদ্ধতা: কোনো অ্যাপই স্পিকার লেবেল করে না। Superwhisper-এর লোকাল নিশ্চয়তা গোটা অ্যাপের নয়, প্রতিটি মোডের আলাদা, কারণ কিছু মোড ক্লাউড প্রোভাইডারকে ডাকে। VoiceInk-এর নিজস্ব সাইট একে ডিক্টেশন অ্যাপ হিসেবেই দেখায় — সব অ্যাপে কণ্ঠে লেখা — হাতে থাকা ফাইল ট্রান্সক্রাইব করার টুল হিসেবে নয়, আর এর iOS অ্যাপটিও ডিক্টেশনের।

সিদ্ধান্তের নিয়মটা কাজের ভার। ডিক্টেশনই যদি আপনার গোটা কাজ হয় আর প্রম্পট দিয়ে পুনর্লিখনই যদি আসল ব্যাপার হয়, তাহলে বিশেষজ্ঞ অ্যাপটাই কিনুন। আর ভয়েস টাইপিং যদি আপনার অনেক কাজের একটা হয় — মিটিং, রেকর্ডিং আর ফোন থেকে আসা ফাইলের পাশাপাশি — তাহলে Whisper Notes সেটা করে সেই অ্যাপের ভেতরেই যা বাকি সব আগে থেকেই সামলাচ্ছে: এক টুল, এক খরচ, এক গোপনীয়তার মডেল, শর্তহীনভাবে লোকাল।

Apple Dictation — বিনামূল্যে, আগে থেকেই ইনস্টল করা, আর সত্যিই মন্দ নয়

কাউকে টাকা দেওয়ার আগে macOS ও iOS-এর সঙ্গেই আসা ডিক্টেশনটা একবার চালিয়ে দেখুন। নতুন হার্ডওয়্যারে এটা অনেক ভাষায় যন্ত্রেই চলে, গোটা সিস্টেমে কাজ করে, আর ছোট বার্তার ক্ষেত্রে পেইড টুলের সঙ্গে ফারাকটা ইন্টারনেটে যা বলা হয় তার চেয়ে কম। লম্বা লেখায় গিয়ে এটা আটকে যায়: যতিচিহ্নের শৃঙ্খলা, কারিগরি শব্দ, আর কোনো পরিষ্কার করার ধাপ না থাকা। এক প্যারা বলার পর সেটা ঠিক করতে যদি এক মিনিট যায়, ঠিক সেখান থেকেই পেইড টুল নিজের দাম তুলতে শুরু করে।

সীমাবদ্ধতা: যন্ত্রে থাকা ভাষার তালিকা Whisper-এর 101-এর চেয়ে অনেক ছোট, স্পিকার আলাদা করা যায় না, আর Voice Memos কিছুই রপ্তানি করে না — টেক্সট বেছে নিয়ে কপি করতে হয়, TXT, SRT বা VTT ফাইল নেই, ব্যাচও নেই।

কাজ 2: হাতে থাকা ফাইল ট্রান্সক্রাইব করা

এখানে শর্তগুলো উল্টে যায়: কিছুই রিয়েল-টাইম নয়, আপনার হাতে একটা MP3, একটা M4A বা একটা MP4 আছে আর আপনি তা থেকে লেখা চান। টুলগুলোর তফাত গড়ে দেয় তিনটে জিনিস — ফাইলটা কোথায় আছে, তাতে কোন ভাষা আছে, আর আশপাশের কতটা কাজ (স্পিকার লেবেল, ফরম্যাট, ব্যাচ) অ্যাপ আপনার হয়ে করে দেয়।

Whisper Notes — দুই যন্ত্রেই ফাইল, আর ভাষার সঙ্গে মেলানো ইঞ্জিন

রেকর্ডিংটা যদি আপনার iPhone-এ থাকে: Buzz-এর কোনো ফোন অ্যাপ নেই; MacWhisper-এর একটা iOS অ্যাপ আছে (Whisper Transcription), তবে তাদের নিজেদের নথি অনুযায়ী যন্ত্রে চলা মডেলটির জন্য iPhone 15 বা নতুন দরকার। Whisper Notes iPhone-এই রেকর্ড ও ট্রান্সক্রাইব করে (iOS 18 বা পরের, iPhone 12 বা নতুন সুপারিশ করা হয়), Files ও Voice Memos থেকে — ভিডিওসহ — ইমপোর্ট করে, আর App Store-এ একবার $7.99 দিলেই iPhone অ্যাপ ও Mac App Store সংস্করণ দুটোই কভার হয় — ফলে ফোনটা অন্য কোনো টুলের জন্য নিছক রেকর্ডিং যন্ত্র থাকে না, ওটাই টুল হয়ে ওঠে।

অডিও যদি চীনা, জাপানি, কোরিয়ান বা ক্যান্টনিজ হয়, তাহলে অ্যাপের চেয়ে ইঞ্জিন বেশি জরুরি। CJK-এর জন্য Whisper সবচেয়ে শক্তিশালী মডেল নয়, আর এই পাতার বেশিরভাগ টুল কেবল Whisper-ই চালায়। Whisper Notes প্রতিটি চ্যানেলে Whisper ও Parakeet V3-এর পাশাপাশি SenseVoice-ও দেয় — আমাদের পরীক্ষায় এটি 27 মিনিটের একটি চীনা পডকাস্ট M4 Pro-তে 13.83 সেকেন্ডে ট্রান্সক্রাইব করেছে, আর যতিচিহ্ন বসিয়েছে Whisper-এর চেয়ে ভালো। তুলনাটা আছে CJK-এর জন্য SenseVoice বনাম Whisper লেখায়, আর ইঞ্জিন-ভিত্তিক ভাষার তালিকা whispernotes.app/languages পাতায়।

কে কথা বলেছে তা জানা দরকার হলে, স্পিকার লেবেল প্রতিটি চ্যানেলেই যন্ত্রের ভেতরে চলে — iPhone অ্যাপে 1.8.5 থেকে, Mac App Store বিল্ডে, আর ডাইরেক্ট ডাউনলোড (DMG) বিল্ডে 1.5.1 থেকে — এক ঘণ্টার অডিওতে লেবেল বসায় প্রায় 15 সেকেন্ডে। ভয়েসপ্রিন্ট বায়োমেট্রিক তথ্য, আর সেটাই যথেষ্ট কারণ কেন ওই হিসেবটা আপনার নিজের চিপেই হওয়া উচিত; মডেল আর তার ব্যর্থ হওয়ার জায়গাগুলো বর্ণনা করা আছে যন্ত্রেই স্পিকার ডায়ারাইজেশন লেখায়। এখানকার বাকি লোকাল টুলের মধ্যে কেবল MacWhisper-এর Pro টিয়ারই স্পিকার শনাক্ত করে; Aiko আর Apple-এর নিজস্ব টুল করে না।

শুধু ইংরেজির গতির হিসেবে টুলগুলো এতটাই কাছাকাছি যে কোনো কোম্পানিই তা স্বীকার করতে চায় না — কারণ সবাই একই ওপেন মডেল চালায়। প্রসঙ্গত: আমাদের প্রকাশিত বেঞ্চমার্কে Parakeet V3 35 মিনিটের অডিও M4 Pro-তে 18 সেকেন্ডে ট্রান্সক্রাইব করেছে — এই সংখ্যাগুলো আপনি নিজেই মিলিয়ে দেখতে পারেন, আর এগুলো অ্যাপের চেয়ে মডেল সম্পর্কেই বেশি বলে। জানালার চেয়ে টার্মিনাল বেশি পছন্দ হলে, ডাইরেক্ট ডাউনলোড সংস্করণ 1.5.5 থেকে একটা CLI আর একটা MCP সার্ভার দেয়, যাতে স্ক্রিপ্ট ও AI অ্যাসিস্ট্যান্ট লোকালেই ট্রান্সক্রাইব ও খুঁজতে পারে।

MacWhisper — Mac-এ সবচেয়ে গভীর ফাইল ওয়ার্কফ্লো

আপনার Mac-এ যদি ফাইল স্তূপ হয়ে আসে — পডকাস্টের পুরনো ভাণ্ডার, সাক্ষাৎকারে ভরা একটা ফোল্ডার — MacWhisper Pro ঠিক এর জন্যই বানানো: ব্যাচ সারি, ওয়াচড ফোল্ডার যা তাতে পড়া প্রতিটি ফাইল ট্রান্সক্রাইব করে দেয়, YouTube ও মিডিয়া-URL ইনপুট, আর Notion, Obsidian ও অফিস ফরম্যাটে এক্সপোর্ট। ওই ওয়ার্কস্টেশনসুলভ গভীরতা সত্যিকারের — আর সেটা ইচ্ছে করেই সেখানে নেই যেখানে আমাদের গভীরতা গেছে: আমাদেরটা গেছে iPhone অ্যাপ, CJK ইঞ্জিন আর যন্ত্রেই চলা স্পিকার লেবেলে। তাই ভাগটা উপরের সংক্ষিপ্ত তালিকার মতোই: ফাইল Mac-এ জমে তো MacWhisper; ফাইল ফোনে শুরু হয়, কিংবা অডিও CJK, কিংবা তারের দুই প্রান্তেই একই অ্যাপ চান, তাহলে Whisper Notes।

Buzz — বিনামূল্যে, ওপেন সোর্স, আর Windows ও Linux-এর উত্তর

Buzz একটা MIT-লাইসেন্সের ডেস্কটপ অ্যাপ, যা Whisper-কে macOS, Windows ও Linux-এ লোকালি চালায়, সঙ্গে GPU অ্যাক্সিলারেশন, ফোল্ডার ওয়াচিং, TXT/SRT/VTT এক্সপোর্ট আর একটা CLI। এটা দুটো পরিস্থিতিতে স্পষ্ট জেতে। বাজেট: টাকাই যদি আসল বাধা হয়, প্রতি-মিনিটের সীমা ছাড়া বিনামূল্যে হওয়া এই পাতার প্রতিটি পেইড টুলকে হারিয়ে দেয়। প্ল্যাটফর্ম: আমাদের কোনো Windows বা Android অ্যাপ নেই এবং বানানোরও পরিকল্পনা নেই, তাই Windows-এ আমাদের সুপারিশ Buzz কিংবা faster-whisper-এর মতো কমান্ড-লাইন টুল — ওই সুপারিশের জন্য এই সাইটেই আলাদা পাতা আছে, কারণ মানুষকে সঠিক টুলের কাছে পাঠানো ভান করার চেয়ে ভালো। বিনিময়ে যা ছাড়তে হয় তা হলো পালিশ: Buzz পণ্য কম, ইউটিলিটি বেশি, আর সেটা ইন্টারফেস ও সেটআপ দুটোতেই বোঝা যায়। Apple যন্ত্রে, কয়েক ডলার বাজেট থাকলে, রোজকার ব্যবহারে বিশেষভাবে বানানো অ্যাপই বেশি স্বস্তির।

সীমাবদ্ধতা: iPhone বা Android অ্যাপ নেই, স্পিকার লেবেল নেই, মিটিং ধরে রাখাও নেই।

Aiko — সবচেয়ে সরল, এক চালেই ট্রান্সক্রিপশন

Aiko একটাই কাজ করে: অডিও বা ভিডিও ফেলে দিন, যন্ত্রেই তৈরি Whisper ট্রান্সক্রিপ্ট ফেরত পান, যা সাবটাইটেল হিসেবে এক্সপোর্ট করা যায়। এটা $24-এর এককালীন ইউনিভার্সাল পারচেজ, যা iPhone, iPad, Mac ও Vision Pro কভার করে, আর যন্ত্র থেকে কিছুই বাইরে যায় না। এর সীমাগুলোই এর নকশা: স্পিকার শনাক্তকরণ নেই, ইঞ্জিন বাছাই নেই, অ্যাপের ভেতরে সম্পাদনা নেই — আপনি এক্সপোর্ট করে লেখাটা অন্য কোথাও ঠিক করেন। প্রয়োজন যদি হয় "মাঝেমধ্যে কোনো সেটিং ছাড়াই একটা রেকর্ডিংকে লেখায় বদলে নেওয়া", Aiko পরিষ্কার উত্তর। যেদিন জানতে হবে কে কথা বলেছে, নিজের ভাষার জন্য শক্তিশালী ইঞ্জিন বাছতে হবে, কিংবা ট্রান্সক্রিপ্ট যেখানে আছে সেখানেই সম্পাদনা করতে হবে, সেদিন আপনি এটাকে ছাড়িয়ে গেছেন — আর ঠিক ওই জায়গাটাই Whisper Notes কাছাকাছি দামে পূরণ করে।

সীমাবদ্ধতা: ইঞ্জিন কেবল Whisper, মডেল বেছে নেওয়ার উপায় নেই, স্পিকার শনাক্তকরণ নেই, অ্যাপের ভিতরে সম্পাদনাও নেই।

কাজ 3: চলতি মিটিং ধরে রাখা

মিটিংয়ে অফলাইন বনাম ক্লাউড আর নীতির প্রশ্ন থাকে না: ঘরে আরও মানুষ থাকে। আসল ভাগটা হলো, মিটিং শেষ হওয়ার পরে নোটগুলোর কী হয়।

নোট যদি টিমের সম্পদ হয়, তাহলে Otter আর Notta জেতে

কলের সময়েই ভেসে ওঠা লাইভ ক্যাপশন চাইলে, খোঁজা যায় এমন শেয়ার করা ওয়ার্কস্পেস চাইলে, ক্যালেন্ডার ইন্টিগ্রেশন চাইলে যা আপনার হয়ে মিটিংয়ে ঢুকে পড়ে, আর যে মিটিংয়ে ছিল না তাকে পাঠানোর মতো একটা লিংক চাইলে — ক্লাউড টুলই কিনুন। Otter-এর Basic টিয়ার বিনামূল্যে, মাসে 300 মিনিট আর প্রতি কথোপকথনে 30 মিনিটের সীমাসহ; Pro প্রতি ব্যবহারকারীতে মাসে $16.99, কিংবা বার্ষিক বিলে মাসে $8.33। Notta প্রায় সমতুল্য, আর এর রিয়েল-টাইম অনুবাদ শক্তিশালী। কোনো অফলাইন টুল এসব করে না, আর যত লোকাল-ফার্স্ট প্রকৌশলই হোক তা বদলাবে না: একসাথে কাজ করতে সার্ভার লাগে। বিনিময়ে আপনি মেনে নেন যে অডিও আপলোড হয়, মিনিট গোনা হয়, সাবস্ক্রিপশন নবায়ন হয়, আর অংশগ্রহণকারীর তালিকায় একটা বট দেখা দিতে পারে। আমাদের বিস্তারিত অবস্থান আছে Whisper Notes বনাম Otter.ai আর Notta-র বিকল্প পাতায়।

সীমাবদ্ধতা: রেকর্ডিং আপলোড হয় আর মিনিট হিসেব করা হয় — Otter-এর বিনামূল্যের Basic টিয়ার মাসে 300 মিনিট দেয় এবং একটি কথোপকথনকে 30 মিনিটে সীমিত রাখে — আর সহকারীটি কলে দৃশ্যমান অংশগ্রহণকারী হিসেবে যোগ দিতে পারে।

রেকর্ডিং যদি যন্ত্র ছেড়ে যেতে না পারে, তাহলে Whisper Notes আর MacWhisper জেতে

বাজারের বাকি অর্ধেক হলো সেই মিটিংগুলো যেগুলো আপলোড করাই যায় না: রোগীর সঙ্গে পরামর্শ, আইনজীবীর গোপন কল, বোর্ড ও বেতন নিয়ে আলোচনা, ঘোষণার আগের পণ্যের কাজ, আর সেই সাক্ষাৎকার যেখানে সূত্রকে কথা দেওয়া হয়েছিল রেকর্ডিং কোথাও যাবে না। এখানে লোকাল টুল পছন্দ নয়, শর্ত। Superwhisper-এর নিজের সাইটও মিটিং রেকর্ডিংয়ের কথা বলে, তবে এর নকশা হাইব্রিড, তাই অডিও লোকালে থাকবে কি না তা নির্ভর করে আপনি কোন মোড বেছেছেন তার ওপর — "কখনোই আপলোড নয়" যদি কঠিন শর্ত হয়, তাহলে সেটা ধরে নেওয়ার বদলে প্রতিটি মোডে আলাদা করে যাচাই করে নিতে হবে।

Whisper Notes দুই Mac চ্যানেলেই সিস্টেম অডিও আর মাইক্রোফোন থেকে মিটিং রেকর্ড করে, কলে কোনো বট ঢোকে না আর বাকিদের কিছু চোখেও পড়ে না। ডাইরেক্ট ডাউনলোড (DMG) সংস্করণ তার ওপর Zoom, Teams ও Google Meet কল চিনে আপনার হয়ে রেকর্ডিং শুরু করে দেয় — আপনি কলে ঢুকুন, পরে ট্রান্সক্রিপ্ট এমনিতেই সেখানে থাকে, স্পিকার লেবেল আলাদা করে দেয় কে কী বলেছে, আর Gemma 4 সারসংক্ষেপ ও করণীয় তালিকা যন্ত্রেই লিখে দেয় — কোনো API key নয়, কোনো ক্লাউড কল নয়। Mac App Store সংস্করণ ম্যানুয়ালি রেকর্ড করে, কারণ Apple-এর নিয়ম স্বয়ংক্রিয় শনাক্তকরণকে বাইরে রাখে। ধাপে ধাপে বর্ণনা আছে Mac-এ অফলাইন মিটিং ট্রান্সক্রিপশন লেখায়। MacWhisper Pro-ও মিটিং লোকালি রেকর্ড করে এবং আরও বেশি কনফারেন্সিং অ্যাপ কভার করে — Webex, Skype, Chime, Discord — তাই আপনার কল যদি ওগুলোতেই হয়, সেটাই সিদ্ধান্ত নিয়ে নিতে পারে।

একটা সীমা গোটা অফলাইন মাঠেই খাটে, আর আমরা চাই আপনি সেটা কেনার পরে নয়, এখনই জানুন: এখানকার কোনো পালিশ করা কনজিউমার অ্যাপই কল চলাকালে লাইভ ক্যাপশন বানায় না। Whisper Notes রেকর্ডিং থামার পরে ট্রান্সক্রাইব করে, বলার সময় নয়। ঘরে কারও যদি কথাগুলো বলার সঙ্গে সঙ্গেই পড়া দরকার হয়, তাহলে আপনার ক্লাউড সেবা লাগবে, নয়তো ক্যাপশনিংয়ের জন্য বানানো আলাদা পণ্য।

আগে Apple-এর নিজস্ব টুল চালিয়ে দেখুন

Voice Memos কোনো খরচ ছাড়াই রেকর্ডিং ট্রান্সক্রাইব করে দেয় — Apple silicon-এর Mac-এ macOS 15 বা পরের সংস্করণে, আর iPhone-এ iOS 18 থেকে। সিস্টেম Dictation-এর সঙ্গে মিলে এটা দৈনন্দিন ব্যবহারের বড় একটা অংশ ঢেকে দেয়, আর যে সুপারিশ এটাকে টপকে এগিয়ে যায়, সে আপনাকে কিছু বেচার চেষ্টা করছে।

এর চারটে কঠিন সীমা: হাতেগোনা কয়েকটা ভাষা, Whisper যে 101টি কভার করে তার চেয়ে অনেক কম (ইঞ্জিন-ভিত্তিক হিসাব আমাদের ভাষার পাতায়); স্পিকার আলাদা হয় না; সত্যিকারের এক্সপোর্ট নেই — লেখা বেছে কপি করেন, TXT, SRT বা VTT বেরোয় না; আর ব্যাচ নেই — একবারে একটা রেকর্ডিং, তাও Apple-এর নিজের অ্যাপে বানানো। এর কোনোটাই যদি আপনার কাছে জরুরি না হয়, পড়া এখানেই থামান আর টাকাটা বাঁচান।

শর্ত ধরে বেছে নিন

এসব দাবির যেকোনোটা নিজে যাচাই করবেন কীভাবে

এই পাতার প্রতিটি কোম্পানি, আমরাও, "ব্যক্তিগত" শব্দটা বলে। কারও কথা এমনিই মেনে নেওয়ার দরকার নেই। পাঁচটা পরীক্ষা, আর এর একটার জন্যও কারিগরি পড়াশোনা লাগে না:

1. এয়ারপ্লেন-মোড পরীক্ষা। এয়ারপ্লেন মোড চালু করুন, কিংবা Wi-Fi বন্ধ করে ইথারনেট খুলে দিন, তারপর কিছু রেকর্ড করে ট্রান্সক্রাইব করুন। ট্রান্সক্রিপ্ট যদি পুরো গতিতে চলে আসে, প্রক্রিয়াটা লোকাল। ঘোরানো স্পিনার, কোনো এরর, কিংবা এমন কাজ যা ইন্টারনেট ফিরতেই শেষ হয়ে যায় — তাহলে নয়। এটা করুন অ্যাপটা তার মডেল নামিয়ে ফেলার পরে — সত্যিকারের লোকাল টুলের নেটওয়ার্ক লাগে ঠিক একবার, মডেল ওয়েট আনতে।
2. App Store-এর প্রাইভেসি লেবেল পড়ুন। App Store তালিকায় App Privacy পর্যন্ত স্ক্রল করুন। "Data Not Collected" হলো ডেভেলপারের Apple-কে করা দাবি, আর মিথ্যা বললে তার পরিণতি আছে। মার্কেটিং পাতার কথার সঙ্গে মিলিয়ে দেখুন। এটাও দেখুন অ্যাপটা অ্যাকাউন্ট চায় কি না: ট্রান্সক্রাইব করতে যদি লগইন বানাতে হয়, তাহলে কিছু একটা আপনার যন্ত্র ছেড়ে যাচ্ছে।
3. নেটওয়ার্কের দিকে নজর রাখুন। Little Snitch বা ওপেন-সোর্স LuLu-র মতো ফায়ারওয়াল আপনাকে দেখিয়ে দেয় কোনো অ্যাপ বাইরের দিকে কোন কোন সংযোগের চেষ্টা করছে। সেটা চালু রেখে একটা ফাইল ট্রান্সক্রাইব করুন। আপডেট যাচাই আর লাইসেন্স পরীক্ষা স্বাভাবিক ও ছোট; আপনার অডিও ফাইলের সমান আকারের টানা আপলোড স্বাভাবিক নয়।
4. মিনিটের সীমা খুঁজুন। দামের পাতা একটা সৎ ইঙ্গিত। প্রতি-মিনিটের চার্জ আর মাসিক মিনিট কোটা থাকে কারণ কম্পিউট খরচ হচ্ছে অন্য কারও সার্ভারে। যে টুল আপনার হার্ডওয়্যারে চলে, তার আপনাকে মিটারে বাঁধার কোনো কারণ নেই — তাই সীমাহীন লোকাল ট্রান্সক্রিপশন ডিফল্ট, কোনো প্রিমিয়াম টিয়ার নয়।
5. দেখুন "লোকাল" মানে "ডিফল্টেই লোকাল" কি না। বেশ কিছু ভালো টুল হাইব্রিড: গতির জন্য লোকাল মডেল, নির্ভুলতা বা পুনর্লিখনের জন্য ক্লাউড মডেল, আর তা মোড ধরে ধরে আলাদা। এটা যুক্তিসঙ্গত নকশা, কিন্তু এর মানে গোপনীয়তার উত্তরটা অ্যাপের ওপর নয়, আপনার সেটিংসের ওপর নির্ভর করে। মডেল বাছার জায়গাটা খুঁজুন, দেখুন কোন অপশনটা বাছা আছে, আর যাচাই করুন লেখা পরিষ্কার করা বা সারসংক্ষেপের কোনো ধাপ ট্রান্সক্রিপশনের থেকে আলাদা করে বাইরে কল করছে কি না।

এই পাঁচটা আমাদের ওপর ঠিক তত সহজেই চালান, যত সহজে অন্য কারও ওপর চালাতেন। Whisper Notes-এ কোনো অ্যাকাউন্ট নেই, লগইন নেই, হাইব্রিড মোড নেই — একে লোকাল বানানোর জন্য কিছু সেট করার নেই, কারণ এটা অন্য কোনোভাবে চলেই না। এয়ারপ্লেন-মোড পরীক্ষায় ত্রিশ সেকেন্ড লাগে, আর সেটা এই অনুচ্ছেদটার চেয়ে বেশি দামি।

Whisper Notes যেখানে মানায় না

কোন কোন ক্ষেত্রে আপনার অন্য কিছু কেনা উচিত, সেটাও স্পষ্ট করে বলি:

• Windows বা Android. কোনো বিল্ড নেই, পরিকল্পনাও নেই। Buzz বা faster-whisper ব্যবহার করুন।
• Intel Mac. Mac অ্যাপের জন্য Apple Silicon লাগে। MacWhisper আর Buzz হলো বিকল্প।
• লাইভ ক্যাপশনিং। ট্রান্সক্রিপশন হয় রেকর্ডিংয়ের পরে, চলাকালে নয়।
• একসাথে কাজ করা। কোনো শেয়ার করা ওয়ার্কস্পেস নেই, মন্তব্য নেই, এমনকি আপনার নিজের যন্ত্রগুলোর মধ্যেও ক্লাউড সিংক নেই। গড়নেই এটা একক-ব্যবহারকারীর টুল — "কোনো সার্ভার নেই" বললে এটাই বোঝায়।
• প্রম্পট দিয়ে পুনর্লিখন। Superwhisper-এর মোড আপনার বলা কথাকে ইমেইল বা কমিট মেসেজের চেহারা দিয়ে দেয়। আমরা আপনার বলা কথাই ট্রান্সক্রাইব করি আর আপনার শব্দগুলো যেমন আছে তেমনই রাখি।

বাকি সবকিছু — Mac-এ ভয়েস টাইপিং (ডাইরেক্ট ডাউনলোড সংস্করণ), যে মিটিং ব্যক্তিগত থাকতেই হবে, ফোন থেকে আসা ফাইল, CJK অডিও, কে কথা বলেছে তা জানা, একবার টাকা দেওয়া — ঠিক এসবের জন্যই Whisper Notes বানানো। বিস্তারিত আছে Whisper Notes-এর হোম পাতায়; আর আপনার অবস্থা যদি উপরের ওই পাঁচটার একটা হয়, তাহলে এই পাতার অন্য কোনো টুলেই আপনার টাকা ভালো খাটবে, আর আমরা চাই আপনি সেখানেই খরচ করুন।

প্রায়শই জিজ্ঞাসিত প্রশ্ন

আপনি যদি অ্যাপ নয়, লোকাল স্পিচ মডেল মেলাচ্ছেন, তাহলে মডেলের আকার আর Whisper চালানোর উপায়ের জন্য দেখুন Whisper ট্রান্সক্রিপশন গাইড, আর Windows ও Android-সহ পুরো ছবিটার জন্য অফলাইন স্পিচ-টু-টেক্সটের সম্পূর্ণ গাইড।

iOS-এর জন্য ডাউনলোড করুন Mac-এ বিনামূল্যে চেষ্টা করুন