অফলাইন স্পিচ টু টেক্সট: সেরা লোকাল AI ট্রান্সক্রিপশন সফটওয়্যার

Apple Silicon-এ চলছে একটি লোকাল ট্রান্সক্রিপশন মডেল

সংক্ষিপ্ত উত্তর: প্ল্যাটফর্ম অনুযায়ী সেরা অফলাইন স্পিচ টু টেক্সট

শুধু উত্তরটাই চাইলে: Mac ও iPhone-এ ব্যবহার করুন Whisper Notes — তিনটি লোকাল AI ইঞ্জিনসহ একবারের কেনাকাটা। একবারের App Store কেনায় iPhone, iPad ও Mac App Store সংস্করণ অন্তর্ভুক্ত; ওয়েবসাইটের DMG সংস্করণ আলাদা এককালীন লাইসেন্স। Windows-এ Buzz বা faster-whisper ব্যবহার করুন। Android-এ বিকল্প এখনো সীমিত। প্রতিটি টুল 100% অফলাইনে চলে।

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। এমনকি "রিয়েল-টাইম" সার্ভিসও একটি 10-সেকেন্ডের রেকর্ডিংয়ের জন্য নেটওয়ার্ক রাউন্ড-ট্রিপে 2-3 সেকেন্ড যোগ করে।

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। iPhone 15 Pro অধিকাংশ ক্লাউড সার্ভিসের ফলাফল ফেরত দেওয়ার চেয়ে দ্রুত Whisper মডেল চালায়। M3 MacBook 60 মিনিটের অডিও 5 মিনিটে প্রসেস করে — লোকালি, অফলাইনে, কোনো আপলোড ছাড়াই।

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

একটা বিষয় আপনাকে ভাবাবে।

M3 চিপের জন্য Apple বাড়তি দাম নেয়। আপনি সেটা দিয়েছেন। সেই Neural Engine? সেটা আপনার। মেশিন লার্নিংয়ের জন্য অপ্টিমাইজড 18 বিলিয়ন ট্রানজিস্টর? আপনার।

তারপরও আপনি তাদের সার্ভারে অডিও ট্রান্সক্রাইব করাতে Otter.ai-কে মাসে $10 দেন।

আপনার কাছে দ্রুততর হার্ডওয়্যার থাকা সত্ত্বেও আপনি অন্যের হার্ডওয়্যার ভাড়া নিচ্ছেন। এটা অনেকটা স্পোর্টস কার কিনে ট্যাক্সি রাইডের জন্য টাকা দেওয়ার মতো।

লোকাল ইনফারেন্স যখন অসম্ভব ছিল, তখন ক্লাউড ট্রান্সক্রিপশনের অর্থনীতির যুক্তি ছিল। এখন এটা কেবল জড়তার ওপর একটা কর। তিন বছরে, মাসে $10-এর সাবস্ক্রিপশনের খরচ $360। Whisper Notes-এর খরচ একবার $7.99। একই নির্ভুলতা। দ্রুততর প্রসেসিং। আপনার চিপ যে কাজের জন্য তৈরি, সেটাই করে।

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

প্রাইভেসি নিয়ে সরাসরি কথা বলি।

যখন আপনি একটি ক্লাউড ট্রান্সক্রিপশন সার্ভিস ব্যবহার করেন, আপনার অডিও অন্য কারও সার্ভারে থাকে। সেই সার্ভারগুলোতে অ্যাক্সেস আছে এমন কর্মচারী থাকে। সেই সার্ভারগুলো নেটওয়ার্কের সাথে যুক্ত। সেই নেটওয়ার্কগুলো আক্রমণের মুখে পড়ে। ডেটা ব্রিচ কোনো দুর্ঘটনা নয় — থার্ড-পার্টি ইনফ্রাস্ট্রাকচারে সংবেদনশীল ডেটা রাখার এগুলো স্থাপত্যগত অনিবার্যতা।

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, ক্লাউড স্টোরেজ কেবল অসুবিধাজনক নয় — এটা একটা দায়। লোকাল ট্রান্সক্রিপশন কোনো পছন্দ নয়। এটা একটা আবশ্যকতা।

নির্ভুলতা ও তার আপস

লোকাল ট্রান্সক্রিপশন কোথায় ভালো করে আর কোথায় পিছিয়ে থাকে, তা নিয়ে সরাসরি বলা দরকার।

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 অডিওতে 5-8% ওয়ার্ড এরর রেট মানব ট্রান্সক্রিপশনিস্টের সমান। ট্রান্সক্রিপ্ট যা বলা হয়েছে তার প্রতি বিশ্বস্ত।

ক্লাউড AI যেখানে ভালো: সারাংশ ও তথ্য নিষ্কাশন। GPT-4o একটি মিটিং শুনে অ্যাকশন আইটেম, সারাংশ ও ফলো-আপ টাস্ক তৈরি করতে পারে। এটা আক্ষরিক শব্দের বাইরে গিয়ে প্রসঙ্গ বোঝে। আপনি যদি চান "কী কী সিদ্ধান্ত হয়েছে বলো," তাহলে ক্লাউড AI সত্যিই ভালো।

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।

বাস্তব গতির সংখ্যা

মডেল নির্বাচন "লোকাল" শব্দটি যতটা বোঝায় তার চেয়ে বেশি ফলাফল বদলে দেয়। ইংরেজি ও ইউরোপীয় ভাষার জন্য Parakeet হলো দ্রুত ডিফল্ট, SenseVoice চীনা, জাপানি, কোরীয় ও ক্যান্টনিজের জন্য অপ্টিমাইজড, আর Whisper Large-v3 Turbo সবচেয়ে ব্যাপক 100+ ভাষার কভারেজ দেয়।

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:

1. Mac-এর জন্য Whisper Notes ডাউনলোড করুন (ফ্রি ট্রায়াল, কোনো অ্যাকাউন্ট লাগবে না)।
2. 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।
3. সরাসরি রেকর্ড করুন, অথবা যেকোনো অডিও বা ভিডিও ফাইল ড্রপ করুন (MP3, WAV, M4A, MP4)।
4. 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।
5. প্রসেস হওয়ার সাথে সাথে টেক্সট আসতে থাকে। TXT বা SRT হিসেবে এক্সপোর্ট করুন, অথবা যেকোনো জায়গায় কপি করুন।

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।

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 আপনি এক ট্যাপে রেকর্ডিং শুরু করতে পারেন — কোনো অ্যাপ চালু করা নেই, অথেন্টিকেশন নেই, কানেক্টিভিটি চেক নেই। লোকাল প্রসেসিং মানে তাৎক্ষণিক প্রাপ্যতা।

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) ও SenseVoice — প্রতিটি তার হার্ডওয়্যারের জন্য টিউন করা। একই প্রাইভেসি গ্যারান্টি, উপযুক্ত রিসোর্স ব্যবহার।

আপনার ডেটা, আপনার ফাইল

ট্রান্সক্রিপ্ট হলো আপনার ডিভাইসের ফাইল। স্ট্যান্ডার্ড ফরম্যাট, স্ট্যান্ডার্ড লোকেশন। 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।

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।

লোকাল ব্যক্তিগতকরণ। আপনার শব্দভাণ্ডার ব্যক্তিগত থাকে।

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 সাধারণ মিটিং এবং সাক্ষাৎকারের জন্য নির্ভুলতার ব্যবধান বন্ধ হয়ে গেছে।

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।

যখন আপনার ফোন কাজটি করতে পারত না, তখন ক্লাউড ট্রান্সক্রিপশনের যুক্তি ছিল। সেই যুগ শেষ হয়েছে প্রায় 2022-এ। যা রয়ে গেছে তা হলো জড়তা — অটোপে-তে চলা সাবস্ক্রিপশন, সার্ভার-ধারণার ওপর গড়া ওয়ার্কফ্লো, আর ক্লাউড নিশ্চয়ই ভালো এই অস্পষ্ট বিশ্বাস।

প্রশ্নটা এই নয় যে লোকাল ট্রান্সক্রিপশন কাজ করে কি না। করে। প্রশ্নটা হলো, আপনার ইতিমধ্যেই থাকা হার্ডওয়্যারের জন্য আপনি কি ভাড়া দিতে থাকতে চান।

টেকনিক্যাল বিবরণ

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: 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

iOS-এর জন্য ডাউনলোড Mac-এ ফ্রি চেষ্টা করুন