Whisper Notes অ্যাপ: অফলাইন স্পিচ টু টেক্সট সমাধান
OpenAI Whisper চালিত অ্যাপের সম্পূর্ণ বিশ্লেষণ যা পেশাদার অফলাইন AI ট্রান্সক্রিপশন এবং স্পিচ টু টেক্সট রূপান্তর প্রদান করে
Whisper Notes কী?
Whisper Notes একটি অফলাইন স্পিচ টু টেক্সট অ্যাপ, যা OpenAI-এর Whisper (Mac-এ Large V3 Turbo, iPhone-এ Small) এবং সঙ্গে Parakeet ও SenseVoice ব্যবহার করে। ক্লাউড সেবার মতো নয়, এটি অডিও পুরোপুরি আপনার ডিভাইসেই প্রক্রিয়া করে, তাই রেকর্ডিং বাইরে যাওয়ার কোনো পথ নেই।
নানা পেশার মানুষ এটি ব্যবহার করেন, ক্লিনিক্যাল নোট ডিক্টেট করা চিকিৎসক থেকে শুরু করে সংবেদনশীল সাক্ষাৎকার রেকর্ড করা সাংবাদিক পর্যন্ত।
"বিনামূল্যে" Whisper অ্যাপের লুকানো খরচ
আমাদের অভিজ্ঞতায়, "বিনামূল্যে" ট্রান্সক্রিপশন টুলগুলি একটি সামঞ্জস্যপূর্ণ প্যাটার্ন অনুসরণ করে: তারা আপনার অডিও ক্লাউড সার্ভারে আপলোড করে, দূরবর্তীভাবে প্রক্রিয়া করে এবং তাদের মডেল উন্নত করতে ডেটা ধরে রাখে। পণ্য সফটওয়্যার নয় — এটি আপনার কণ্ঠস্বর।
ভয়েস ডেটা স্থায়ী
পাসওয়ার্ড বা ক্রেডিট কার্ড নম্বরের বিপরীতে, ভয়েস বায়োমেট্রিক্স আপোস হওয়ার পরে পরিবর্তন করা যায় না। কয়েক সেকেন্ডের রেকর্ডিং অ্যাকোস্টিক স্বাক্ষর ক্যাপচার করে যা বিভিন্ন প্রসঙ্গে আপনাকে শনাক্ত করে।
ভয়েস ক্লোনিং প্রযুক্তিতে এখন মাত্র তিন থেকে পাঁচ সেকেন্ডের নমুনা অডিও প্রয়োজন। উচ্চ-মানের ভয়েস ডিপফেকের জন্য মানুষের শনাক্তকরণ নির্ভুলতা মাত্র ২৪.৫% এ রয়ে গেছে। ২০২৫ সালে, ইতালীয় প্রতিরক্ষা মন্ত্রীর একটি ভয়েস ক্লোন প্রায় এক মিলিয়ন ইউরো বের করতে ব্যবহৃত হয়েছিল। এটি একটি তাত্ত্বিক ঝুঁকি নয়।
আপনি যখন ক্লাউড ট্রান্সক্রিপশন সেবায় অডিও আপলোড করেন, আপনি যে ইনফ্রাস্ট্রাকচার নিয়ন্ত্রণ করেন না সেখানে আপনার বায়োমেট্রিক পরিচয়ের একটি স্থায়ী রেকর্ড তৈরি করছেন।
ক্লাউড ট্রান্সক্রিপশন লঙ্ঘনের পরিস্থিতি
AI-সম্পর্কিত নিরাপত্তা ঘটনা ২০২৪ সালে ৫৬.৪% বৃদ্ধি পেয়েছে। বিরাশি শতাংশ লঙ্ঘনে এখন ক্লাউড ইনফ্রাস্ট্রাকচার জড়িত। স্বাস্থ্যসেবায় ট্রান্সক্রিপশন এজেন্ট, EHR ইন্টিগ্রেশন এবং ভুলভাবে কনফিগার করা ডেটা লেকের মাধ্যমে সুরক্ষিত স্বাস্থ্য তথ্যের এক্সপোজার দেখা গেছে।
প্যাটার্নটি অনুমানযোগ্য: সংবেদনশীল ডেটা AI সিস্টেমে প্রবাহিত হয়, দৃশ্যমানতা কমে যায় এবং আক্রমণকারী বা দুর্ঘটনা যা ব্যক্তিগত থাকার কথা ছিল তা উন্মোচিত করে। কন্টাক্ট সেন্টার ট্রান্সক্রিপ্ট মডেলগুলিতে স্ট্রিম হয় যখন অ্যাকাউন্ট নম্বর মাস্কিং ছাড়াই ডিবাগ লগে পড়ে।
২০২৫ সালের প্রথমার্ধে ডেটার আরও সংবেদনশীল বিভাগগুলি জড়িত প্রধান ডেটা লঙ্ঘনে তীব্র বৃদ্ধি দেখা গেছে। শুধু ইউজারনেম এবং পাসওয়ার্ডের পরিবর্তে, লঙ্ঘন এখন জেনেটিক প্রোফাইল, ভয়েস রেকর্ডিং এবং বায়োমেট্রিক শনাক্তকারী উন্মোচন করে।
যাত্রার দিক
২০২৫ সালের মার্চে, Amazon ঘোষণা করেছে যে তারা Echo ডিভাইসে "ভয়েস রেকর্ডিং পাঠাবেন না" সেটিং বন্ধ করছে। Alexa ডিভাইসের সাথে সমস্ত ব্যবহারকারীর ইন্টারঅ্যাকশন এখন ডিফল্টভাবে রেকর্ড করা হয় এবং Amazon-এর সার্ভারে পাঠানো হয়, অপ্ট আউট করার কোন বিকল্প নেই।
এটি একটি বিচ্ছিন্ন সিদ্ধান্ত নয়। প্রধান প্ল্যাটফর্মগুলি কম নয়, বরং আরও বেশি ডেটা সংগ্রহের দিকে এগিয়ে যাচ্ছে। AI উন্নয়নের অর্থনৈতিক প্রণোদনা প্রশিক্ষণ ডেটা জমা করাকে সমর্থন করে। আজ যে গোপনীয়তা বিকল্পগুলি বিদ্যমান তা আগামীকাল বিদ্যমান না থাকতে পারে।
আমরা Whisper Notes বিপরীত আর্কিটেকচার দিয়ে তৈরি করেছি: ডেটা পাঠানোর কোন সার্ভার নেই। এটি এমন কোন সেটিং নয় যা পরিবর্তন করা যায়। এটি অ্যাপটি কীভাবে তৈরি হয়েছে তার একটি মৌলিক সীমাবদ্ধতা।
"বিনামূল্যে"র প্রকৃত মূল্য
বিনামূল্যে Whisper ওয়েব টুল প্রায়ই তাদের মডেল উন্নত করতে আপনার অডিও ব্যবহার করে। এটি সেবার শর্তাবলীতে প্রকাশ করা হয় যা কয়েকজন ব্যবহারকারী পড়েন। প্রতি মিনিটে বিল করা ক্লাউড API-এর দাম মিনিটে $0.006 থেকে $0.40; সপ্তাহে এক ঘণ্টা হিসাবে সবচেয়ে সস্তাটিতে বছরে প্রায় $20 আর সবচেয়ে দামিটিতে $1,200-এর বেশি পড়ে।
Otter.ai-এর মতো সাবস্ক্রিপশন-ভিত্তিক সেবার খরচ বছরে প্রায় $99। পাঁচ বছরে, এটি $495—একটি সেবার জন্য যা দূরবর্তী সার্ভারে আপনার অডিও প্রক্রিয়া করে।
Whisper Notes-এর দাম iPhone-এ একবার $7.99, Mac-এ একবার $14। কোন সাবস্ক্রিপশন নেই। কোন প্রতি-মিনিট ফি নেই। আপনার রেকর্ডিং আপনার ডিভাইসেই থাকে। ব্যবসায়িক মডেল সহজ: আপনি সফটওয়্যারের জন্য অর্থ প্রদান করেন, আপনি সফটওয়্যারের মালিক হন।
বছরে খরচ
| সেবার ধরন | ১ম বছর | ২য় বছর | ৩য় বছর | ডেটা হ্যান্ডলিং |
|---|---|---|---|---|
| Whisper Notes | $7.99 | $0 | $0 | কখনই ডিভাইস ছাড়ে না |
| সাবস্ক্রিপশন সেবা | $99 | $99 | $99 | ক্লাউড প্রসেসড |
| প্রতি-মিনিট ক্লাউড API | $20–1,250 | $20–1,250 | $20–1,250 | ক্লাউড প্রসেসড |
| "বিনামূল্যে" ওয়েব টুল | $0 | $0 | $0 | প্রশিক্ষণে ব্যবহৃত হতে পারে |
কখন বরং ক্লাউড সেবা ব্যবহার করবেন
পরিষ্কার অডিওতে বড় ক্লাউড মডেলগুলো এখনও কিছুটা বেশি নির্ভুল, কারণ সেগুলো এমন আকারে চলে যা কোনো ফোন বা ল্যাপটপে ধরে না। এটা সত্যিকারের সুবিধা এবং আমরা উল্টোটা দাবি করব না।
আপনার যদি লাইভ ক্যাপশন দরকার হয়, মিটিং চলাকালীন কয়েকজনকে যদি একই ট্রান্সক্রিপ্ট সম্পাদনা করতে হয়, কিংবা নির্ভুলতার শেষ ভগ্নাংশটুকু যদি অডিও কোথায় থাকছে তার চেয়ে বেশি গুরুত্বপূর্ণ হয়, তাহলে ক্লাউড সেবাই ভালো হাতিয়ার এবং আমরা চাই আপনি সেটাই ব্যবহার করুন।
আমরা শুধু একটা জায়গায় আপত্তি করি: নির্ভুলতার ওই ব্যবধানকে সিদ্ধান্তের একমাত্র সংখ্যা ধরে নেওয়া। গোপনীয়তার দায় আছে এমন কাজে — রোগীর নথি, পেশাগত গোপনীয়তায় সুরক্ষিত উপাদান, সূত্রের সাক্ষাৎকার — "অডিওটা কোথায় যায়" প্রশ্নের উত্তর আপনাকে দিতে পারতে হবে, আর যে উত্তরটি সবচেয়ে সংক্ষিপ্ত ও টেকসই তা হলো, সেটি কোথাও যায়নি।
কেন আর্কিটেকচার গুরুত্বপূর্ণ: নেটিভ অ্যাপ বনাম ওয়েব র্যাপার
আপনি যখন "Whisper app" সার্চ করেন, আপনি তিনটি বিভাগ পাবেন: আপনার ব্রাউজারে চলমান ওয়েব-ভিত্তিক টুল, ইন্টারনেট প্রয়োজন এমন ক্লাউড API, এবং আপনার ডিভাইসের জন্য বিশেষভাবে কম্পাইল করা নেটিভ অ্যাপ। আর্কিটেকচারের পার্থক্য গোপনীয়তা এবং কর্মক্ষমতা উভয়ের জন্য গুরুত্বপূর্ণ।
ওয়েব র্যাপার এবং ব্রাউজার-ভিত্তিক টুল
অনেক ব্রাউজার-ভিত্তিক Whisper টুল "লোকাল প্রসেসিং" দাবি করে, যা প্রযুক্তিগতভাবে সঠিক। আপনার অডিও ব্রাউজার ট্যাবে থাকে। কিন্তু ব্রাউজার পরিবেশের মৌলিক সীমাবদ্ধতা রয়েছে।
মেমরি সীমাবদ্ধতা ছোট মডেলকে বাধ্য করে। বেশিরভাগ ব্রাউজার WebAssembly মেমরি প্রায় 4GB-তে সীমাবদ্ধ করে, যা চলতে পারে এমন মডেলের আকার সীমাবদ্ধ করে। JavaScript নেটিভ কোডের তুলনায় প্রসেসিং ওভারহেড যোগ করে। একটি ট্যাব ক্র্যাশ কোন রিকভারি অপশন ছাড়াই আপনার কাজ হারায়।
ব্রাউজার-ভিত্তিক টুলগুলিতে সিস্টেম ইন্টিগ্রেশনেরও অভাব রয়েছে। অন্যান্য অ্যাপ্লিকেশন ব্যবহার করার সময় তারা ব্যাকগ্রাউন্ডে চলতে পারে না। তারা কার্যকরভাবে হার্ডওয়্যার অ্যাক্সিলারেশন অ্যাক্সেস করতে পারে না। এগুলি ওয়েব পেজ যা ট্রান্সক্রিপশন করে, ট্রান্সক্রিপশন সফটওয়্যার নয়।
| প্রসেসিং | ব্রাউজারে WebAssembly/TensorFlow.js |
| মডেল সাইজ | ব্রাউজার মেমরি দ্বারা সীমিত (~4GB) |
| গতি | JavaScript ওভারহেডের কারণে ধীর |
| গোপনীয়তা | ক্লাউডের চেয়ে ভাল, কিন্তু ব্রাউজারের অ্যাক্সেস আছে |
| নির্ভরযোগ্যতা | ট্যাব ক্র্যাশ হতে পারে, ব্যাকগ্রাউন্ড প্রসেসিং নেই |
নেটিভ অ্যাপ: সরাসরি হার্ডওয়্যার অ্যাক্সেস
Whisper Notes বিশেষভাবে macOS এবং iOS-এর জন্য কম্পাইল করা হয়েছে। এটি মডেলগুলো সরাসরি Apple silicon-এ চালায়।
এটি একটি অ্যাপ শেলে র্যাপ করা ওয়েব পেজ নয়। এটি আপনার নির্দিষ্ট হার্ডওয়্যারের জন্য অপ্টিমাইজড নেটিভ কোড। এই কারণেই এই পাতার গতির সংখ্যাগুলো সম্ভব: Mac-এ বিল্ট-ইন Parakeet মডেল রিয়েল-টাইমের প্রায় ৭৪ গুণ গতিতে চলে, অর্থাৎ এক ঘণ্টার অডিও এক মিনিটেরও কম সময়ে।
Mac-এ অন্য অ্যাপে গেলেও ট্রান্সক্রিপশন চলতে থাকে, বাধার পরে অ্যাপ ঠিকঠাক আবার কাজ শুরু করে, আর সিস্টেমের স্যান্ডবক্স এটিকে অন্য অ্যাপের ডেটা থেকে আলাদা রাখে। আপনার অডিও বা তার ট্রান্সক্রিপ্ট আপলোড হওয়ার কোনো পথ নেই। প্রায় তিরিশ সেকেন্ডে নিজেই যাচাই করতে পারেন: এয়ারপ্লেন মোড চালু করে একটি ফাইল ট্রান্সক্রাইব করুন।
| প্রসেসিং | সরাসরি Apple silicon-এ চলে |
| মডেল সাইজ | Whisper Large V3 Turbo, প্রায় ২ GB |
| গতি | Mac-এ Parakeet প্রায় ৭৪× রিয়েল-টাইম |
| গোপনীয়তা | অডিও আর ট্রান্সক্রিপ্ট ডিভাইসেই থাকে |
| নির্ভরযোগ্যতা | অফলাইনেও কাজ চালিয়ে যায়, সিস্টেম ইন্টিগ্রেশন |
ক্লাউড API: সর্বোচ্চ শক্তি, সর্বোচ্চ এক্সপোজার
ক্লাউড সেবাগুলি সবচেয়ে বড় Whisper মডেল চালাতে পারে কারণ সার্ভার রিসোর্স কার্যকরভাবে সীমাহীন। তারা মার্জিনালি উচ্চতর নির্ভুলতা এবং লাইভ ক্যাপশনের মতো বৈশিষ্ট্য প্রদান করতে পারে যার জন্য যথেষ্ট কম্পিউট পাওয়ার প্রয়োজন।
ট্রেড-অফ: প্রতিটি রেকর্ডিং আপনি যে ইনফ্রাস্ট্রাকচার নিয়ন্ত্রণ করেন না সেখানে আপলোড হয়। আপনার অডিও ইন্টারনেট অতিক্রম করে, দূরবর্তী সার্ভারে প্রক্রিয়া করা হয় এবং আপনি যে রিটেনশন নীতি বেছে নেননি সেই অনুযায়ী সংরক্ষণ করা হতে পারে।
গোপনীয়তার প্রয়োজনীয়তায় আবদ্ধ থেরাপিস্ট, বিশেষাধিকারপ্রাপ্ত যোগাযোগ পরিচালনাকারী আইনজীবী, উৎস সুরক্ষাকারী সাংবাদিক, বা সংবেদনশীল তথ্যের সাথে কাজ করা যে কেউ, ক্লাউড প্রসেসিং প্রায়ই নির্ভুলতার সুবিধা নির্বিশেষে একটি অযোগ্যতাকারী ফ্যাক্টর।
| প্রসেসিং | দূরবর্তী সার্ভার (সীমাহীন কম্পিউট) |
| মডেল সাইজ | সবচেয়ে বড় উপলব্ধ মডেল |
| গতি | ইন্টারনেট এবং সার্ভার কিউ-এর উপর নির্ভর করে |
| গোপনীয়তা | অডিও আপলোড এবং সম্ভাব্যভাবে সংরক্ষিত |
| নির্ভরযোগ্যতা | ইন্টারনেট প্রয়োজন, রেট লিমিটের অধীন |
আমাদের আর্কিটেকচারাল সিদ্ধান্ত
আমরা নেটিভ অ্যাপ আর্কিটেকচার বেছে নিয়েছি কারণ আপনার ভয়েস ডেটা আপনার ডিভাইসেই রাখার এটিই একমাত্র উপায়। "লোকালি প্রসেস করা তারপর সিঙ্ক করা" নয়। "ট্রানজিটে এনক্রিপ্টেড" নয়। কখনই আপলোড করা হয় না, পিরিয়ড।
এই পছন্দের খরচ আছে। কথা বলার সঙ্গে সঙ্গে শব্দে-শব্দে ক্যাপশন হয় না: iPhone-এ রেকর্ড করার সময় বা Mac-এ মিটিং রেকর্ড করার সময় লাইভ ট্রান্সক্রিপ্ট কয়েক সেকেন্ডের মধ্যে শব্দ দেখায়, তবে শুধু Parakeet-এর ২৫টি ইউরোপীয় ভাষায়; অন্য ভাষায় Mac-এর প্যানেল মোটামুটি প্রতি ৩০ সেকেন্ডে আপডেট হয়। আমরা আপনার ডিভাইসে ফিট হয় এমন মডেলের চেয়ে বড় মডেল চালাতে পারি না। আমরা সার্ভার প্রয়োজন এমন সহযোগী বৈশিষ্ট্য প্রদান করতে পারি না।
আমরা এই ট্রেড-অফ ইচ্ছাকৃতভাবে করেছি। যে ব্যবহারের ক্ষেত্রে গোপনীয়তা গুরুত্বপূর্ণ — এবং আমাদের অভিজ্ঞতায়, এতে বেশিরভাগ পেশাদার ট্রান্সক্রিপশন অন্তর্ভুক্ত — লোকাল প্রসেসিং ক্লাউড ইনফ্রাস্ট্রাকচার প্রয়োজন এমন বৈশিষ্ট্যগুলির চেয়ে ভারী পড়ে।
কোন মডেল কাজটা করছে?
ইঞ্জিনগুলো, আর কোনটা বাছবেন
প্রযুক্তিগত স্পেসিফিকেশন
| AI মডেল | Parakeet (ডিফল্ট), Whisper Large V3 Turbo (Mac) বা Whisper Small (iPhone), SenseVoice, Apple Speech (iOS 26, macOS 26); Mac-এ Qwen3-ASR 1.7B (Beta)-ও |
| ভাষা | Whisper-এ ১০০টি ভাষা, Parakeet-এ ২৫টি ইউরোপীয়, SenseVoice-এ ৬টি |
| অডিও ফরম্যাট | MP3, WAV, M4A, FLAC, AAC |
| প্রসেসিং গতি | Mac-এ Parakeet প্রায় ৭৪× রিয়েল-টাইম; Whisper Turbo-র পথ প্রায় ২.৭× |
| সময়সীমা ও ফি | প্রতি ফাইল ২৪ ঘণ্টা পর্যন্ত, প্রতি মিনিটের ফি নেই |
| প্ল্যাটফর্ম | iOS 18+ (iPhone 12+), macOS 14+ (Apple Silicon) |
আসলে এটা কী করতে পারে?
প্রতিদিনের ব্যবহারের বেশিরভাগটাই তিনটে জিনিস টানে: অডিও ভেতরে আনা, লেখা বাইরে বের করা, আর যে সীমাবদ্ধতা দুটোকেই ডিভাইসে ধরে রাখে।
অফলাইন ফাইল ইম্পোর্ট
উচ্চ-নির্ভুলতা অফলাইন AI ট্রান্সক্রিপশনের জন্য অডিও ফাইল বা সম্পূর্ণ রেকর্ডিং ইম্পোর্ট করুন। এই অফলাইন স্পিচ টু টেক্সট অ্যাপ নির্ভুলতা সর্বোচ্চ করতে পূর্ণ প্রসঙ্গ বিশ্লেষণ ব্যবহার করে ফাইল প্রক্রিয়া করে, অনলাইন স্পিচ টু টেক্সট সেবার তুলনায় উন্নত ফলাফল প্রদান করে।
- ✓বিভিন্ন উৎস থেকে অডিও ফাইল ইম্পোর্ট (Files, Voice Memos, ইত্যাদি)
- ✓সর্বোত্তম নির্ভুলতার জন্য প্রথমে অডিও রেকর্ড করুন, তারপর ট্রান্সক্রাইব করুন
- ✓Mac-এ কয়েকটি ফাইল অ্যাপ আইকনে ছেড়ে দিন, একটির পর একটি ট্রান্সক্রাইব হবে
- ✓স্বয়ংক্রিয় ফাইল সংগঠন এবং ট্রান্সক্রিপশন ব্যবস্থাপনা
উন্নত এক্সপোর্ট অপশন
বিভিন্ন ব্যবহারের ক্ষেত্রের জন্য তৈরি পেশাদার-গ্রেড আউটপুট ফরম্যাট, সাধারণ টেক্সট নথি থেকে ভিডিও কন্টেন্টের জন্য সাবটাইটেল ফাইল পর্যন্ত।
- ✓কাস্টমাইজেবল ফরম্যাটিং সহ সাধারণ টেক্সট
- ✓ভিডিওর জন্য SRT এবং VTT সাবটাইটেল ফাইল
- ✓রেফারেন্সের জন্য টাইমস্ট্যাম্পযুক্ত ট্রান্সক্রিপ্ট
- ✓স্পিকার শনাক্তকরণ এবং লেবেলিং
- ✓কাস্টম প্যারাগ্রাফ বিভাজন
গোপনীয়তা সুরক্ষা: সত্যিকারের অফলাইন স্পিচ টু টেক্সট প্রসেসিং
আপনার অডিও বা তার ট্রান্সক্রিপ্টের জন্য কোনো আপলোড পথ নেই, আর এয়ারপ্লেন মোডে সেটা আপনি নিজেই যাচাই করতে পারেন।
- ✓আমরা আপনার রেকর্ডিং বা ট্রান্সক্রিপ্ট কখনো দেখি না, আর AI প্রশিক্ষণে সেগুলো কখনো ব্যবহার করা হয় না
- ✓কোনো তৃতীয় পক্ষের ডেটা প্রসেসর নেই: স্বাস্থ্যসেবা, আইনি ও ব্যবসায়িক কাজের জন্য ব্যক্তিগত ট্রান্সক্রিপশন
- ✓শুধু ডিভাইসে সংরক্ষণ, এনক্রিপশন করে iOS বা macOS
- ✓কোন ক্লাউড নির্ভরতা নেই - সত্যিকারের অফলাইন ট্রান্সক্রিপশন সফটওয়্যার
কতটা নির্ভুল, আর এই সংখ্যাটা এল কোথা থেকে?
প্রকাশিত বেঞ্চমার্ক, সঙ্গে নাম বলা মেশিনে আমাদের নিজেদের মাপ
আমরা নিজেদের নির্ভুলতার সমীক্ষা করি না — যে নির্মাতা নিজের খাতা নিজে দেখে, তার কথার দাম কম। নিচের ত্রুটির হার এসেছে Hugging Face Open ASR Leaderboard আর FLEURS বেঞ্চমার্ক থেকে। দুটোই উন্মুক্ত, আর চালান এমন লোকেরা যাঁদের এই অ্যাপ থেকে কিছু পাওয়ার নেই। গতির সংখ্যাগুলো আমাদের নিজেদের, আর কোন মেশিনে মাপা হয়েছে তাও লেখা আছে।
মডেল অনুযায়ী ওয়ার্ড এরর রেট
| মডেল | সূত্র | ত্রুটির হার | মন্তব্য |
|---|---|---|---|
| Parakeet V3 (ডিফল্ট মডেলের ভিত্তি) | Open ASR Leaderboard | ইংরেজি WER 6.32% | ২৫টি ইউরোপীয় ভাষা; FLEURS-এ এই ২৫টির গড় 12.0% |
| Whisper Large V3 Turbo | Open ASR Leaderboard | ইংরেজি WER 7.83% | তিনটির মধ্যে সবচেয়ে বেশি ভাষা: ১০০টি |
| SenseVoice Small | আমাদের পরীক্ষা, M4 Pro | ২৭ মিনিটের পডকাস্ট ১৩.৮৩ সেকেন্ডে | চীনা, জাপানি, কোরীয় আর ক্যান্টনিজের জন্য তৈরি; অ্যাপের আগের সংস্করণে মাপা, এখনকার মডেল কার্ডের ১১৫–১৩১× গতির প্রায় সমান |
Key Findings
- •Mac-এ Parakeet প্রায় ৭৪× রিয়েল-টাইমে চলে; একই ফাইলে Whisper Turbo কয়েক গুণ ধীর
- •ইংরেজিতে তিনটি মডেলের ত্রুটির হারের ফারাক দুই পয়েন্টেরও কম
- •এই সংখ্যাগুলো পড়া আর তৈরি করা বক্তব্যের উপর মাপা। আপনার নিজের রেকর্ডিং এর চেয়ে খারাপ হবে, আর মাইক্রোফোন বা একজনের কথার উপর আরেকজনের কথা বলা ফলাফলকে মডেল বাছাইয়ের চেয়ে বেশি নাড়ায়
পরিষ্কার অডিওতে ক্লাউডের বড় মডেলগুলো এখনও সামান্য এগিয়ে, কারণ ওরা এমন আকারে চলে যা কোনো ফোন বা ল্যাপটপে ধরে না। এই ব্যবধানটাই সেই দাম, যাতে অডিও কখনও ডিভাইস ছেড়ে না যায়। আপনার কাজে যদি ওই শেষ পয়েন্টটা লাগে না, তাহলে এই বিনিময় সাধারণত লাভের। যদি লাগে, সৎ পরামর্শ হলো ক্লাউড সেবা নিন।
বিকল্পগুলোর সঙ্গে তুলনায় এটা কোথায় দাঁড়ায়?
ক্লাউড সেবা, আপনার ডিভাইসে আগে থেকেই থাকা টুল, আর এন্টারপ্রাইজ সফটওয়্যারের বিপরীতে
এই টেবিলের বেশিরভাগটাই কয়েক মিনিটে যাচাই করে নেওয়া যায়। নির্ভুলতার সারিটাই মন দিয়ে পড়ার মতো, কারণ চারটি শ্রেণিকে একই বেঞ্চমার্কে মাপা হয়নি।
বৈশিষ্ট্যের তুলনা
| বৈশিষ্ট্য | Whisper Notes অ্যাপ | ক্লাউড সেবা | বিল্ট-ইন টুলস | এন্টারপ্রাইজ সফটওয়্যার |
|---|---|---|---|---|
| নির্ভুলতা (ইংরেজি WER) | ৬.৩২-৭.৮৩% (Open ASR Leaderboard) | নির্মাতার নিজের দাবি, বেশিরভাগই ওই লিডারবোর্ডে নেই | প্রকাশিত নয় | প্রকাশিত নয় |
| অডিও কোথায় প্রক্রিয়া হয় | আপনার ডিভাইসে | সরবরাহকারীর সার্ভারে | সরবরাহকারী ভেদে আলাদা | অন-প্রিমাইসেস অপশন |
| খরচ | $7.99 iPhone, $14 Mac, একবারের খরচ | $0.006-0.40/মিনিট | বিনামূল্যে (সীমিত) | $500-2000/লাইসেন্স |
| ভাষা | ১০০টি ভাষা | ৫০-১০০ ভাষা | ১০-৩০ ভাষা | ২০-৫০ ভাষা |
| ইন্টারনেট প্রয়োজন | না | হ্যাঁ | কখনো কখনো | অন-প্রিমাইসেস: না |
| ফাইলের দৈর্ঘ্যের সীমা | প্রতি মিনিটের ফি নেই | সাধারণত ১-২ ঘণ্টা | ৫-১০ মিনিট | পরিবর্তনশীল |
Market Position: তিনটি বিকল্প পাশাপাশি রাখলে বিনিময়টা নিজেই পড়া যায়। সবচেয়ে আধুনিক ক্লাউড API এখনও পরিষ্কার অডিওতে একটু বেশি নির্ভুল, আর তার খরচ মিনিটপ্রতি $0.006 থেকে $0.40, আপনার রেকর্ডিং থাকে অন্য কারও ডিস্কে। অন-প্রিমাইসেস এন্টারপ্রাইজ ট্রান্সক্রিপশন অডিওকে আপনার নেটওয়ার্কের ভেতরেই রাখে, শুরু হয় আসনপ্রতি প্রায় $500 থেকে। আর Whisper Notes আপনার আগে থেকেই থাকা হার্ডওয়্যারে উন্মুক্ত মডেলগুলো চালায় — iPhone-এ $7.99, Mac-এ $14 — আর তার বদলে ছেড়ে দেয় লাইভ ক্যাপশনিং, একসঙ্গে সম্পাদনা আর নির্ভুলতার শেষ ভগ্নাংশটুকু। এই তিনটির কোনোটা যদি আপনার তালিকায় থাকে, তাহলে বাকি দুটোর একটাই ভালো কেনাকাটা।
কোন কাজের জন্য এটা মানানসই?
তিন ধরনের কাজ, যেখানে রেকর্ডিং কোথাও যেতে পারে না
স্বাস্থ্যসেবা
চিকিৎসকরা রোগীর ডকুমেন্টেশন, ক্লিনিক্যাল নোট আর গবেষণা সাক্ষাৎকারের জন্য Whisper Notes ব্যবহার করেন। অডিও যেহেতু আমাদের কোনো সার্ভারে পৌঁছয়ই না, তাই চুক্তি দিয়ে ঢাকতে হয় এমন কোনো তৃতীয় পক্ষের প্রসেসর নেই। পুরো কর্মপ্রবাহ HIPAA মানছে কি না, সেটা এখনও নির্ভর করে ডিভাইসটা নিজে কতটা সুরক্ষিত তার উপর — আর সহকর্মীদের যদি একই নোট খুলে মন্তব্য করতে হয়, তাহলে স্বাক্ষরিত চুক্তিসহ কোনো ক্লাউড সেবাই বেশি বাস্তবসম্মত উত্তর।
Use Cases
- •রোগী পরামর্শের ডকুমেন্টেশন
- •চিকিৎসা পদ্ধতির নোট
- •গবেষণা সাক্ষাৎকার ট্রান্সক্রিপশন
- •টেলিমেডিসিন সেশনের রেকর্ড
- •ক্লিনিক্যাল প্রশিক্ষণের বিষয়বস্তু
Benefits
- ✓বিশ্বাস করার মতো কোনো ডেটা-শেয়ারিং নীতি নেই, কারণ কিছুই পাঠানো হয় না
- ✓ক্লিনিক্যাল পরিভাষা আর ওষুধের নামের জন্য নিজস্ব শব্দভাণ্ডার
- ✓কোনো রোগীর তথ্য ডিভাইস ছাড়ে না, কারণ আপলোডের পথই নেই
- ✓২০ মিনিটের একটা পরামর্শ Apple Silicon Mac-এ এক মিনিটেরও অনেক কমে ট্রান্সক্রাইব হয়ে যায়
আইনি
আইনজীবীরা ডিপোজিশন, ক্লায়েন্ট সাক্ষাৎকার আর কেস প্রস্তুতির জন্য Whisper Notes ব্যবহার করেন। রেকর্ডিং ডিভাইসেই থাকে, তাই কোনো সরবরাহকারী তার কপি ধরে রাখে না। এতে অবশ্য আপনার নিজের দায়িত্ব মিটে যায় না: কোনো নির্দিষ্ট কর্মপ্রবাহ আপনার এখতিয়ারের গোপনীয়তার নিয়ম মানছে কি না, তা এখনও নির্ভর করে ডিভাইস, তার ব্যাকআপ আর তার এক্সপোর্ট কীভাবে সামলানো হয় তার উপর।
Use Cases
- •ক্লায়েন্ট সাক্ষাৎকার ডকুমেন্টেশন
- •ডিপোজিশন ট্রান্সক্রিপশন
- •কেস গবেষণার নোট
- •আইনি কার্যক্রমের রেকর্ড
- •তদন্তমূলক সাক্ষাৎকার
Benefits
- ✓রেকর্ডিং বা ট্রান্সক্রিপ্টের কোনো কপি আমরা রাখি না
- ✓মামলার নাম আর আইনি পরিভাষার জন্য নিজস্ব শব্দভাণ্ডার
- ✓টাইমস্ট্যাম্পযুক্ত ট্রান্সক্রিপ্ট, টেক্সট, SRT বা VTT হিসেবে এক্সপোর্ট
- ✓iPhone-এ $7.99 বা Mac-এ $14, একবারের খরচ — বাইরে দিয়ে করানো মিনিট-হিসেবি ট্রান্সক্রিপশনের বিপরীতে
সাংবাদিকতা
রিপোর্টাররা সূত্রের সাক্ষাৎকার আর মাঠের রেকর্ডিংয়ের জন্য Whisper Notes ব্যবহার করেন। অডিও ধরে রাখার কোনো সার্ভার নেই, তাই একমাত্র কপিগুলো আপনার নিজের ডিভাইসেই থাকে — এতে সূত্র সুরক্ষা সরে আসে আমাদের রিটেনশন নীতি থেকে, যা আপনি যাচাই করতে পারেন না, আপনার নিজের ডিভাইসের নিরাপত্তায়, যা আপনি পারেন। লাইভ কোনো ঘটনার সময় ডেস্কে যদি কয়েকজনকে একই ট্রান্সক্রিপ্টে কাজ করতে হয়, সেটা ক্লাউড টুলের কাজ।
Use Cases
- •সূত্রের সাক্ষাৎকার ট্রান্সক্রিপশন
- •মাঠের রেকর্ডিংয়ের ডকুমেন্টেশন
- •সংবাদ সম্মেলনের নোট
- •গবেষণা সাক্ষাৎকারের আর্কাইভ
- •পডকাস্ট প্রযোজনা
Benefits
- ✓রেকর্ডিং বা ট্রান্সক্রিপ্টের কিছুই কোথাও পাঠানো হয় না
- ✓ডিভাইস অফলাইন রেখেই চলে, আর দাবিটা যাচাই করার উপায়ও সেটাই
- ✓কোনো অ্যাকাউন্ট নেই, তাই কোনো লগইন ইতিহাসও নেই যা কোনো সাক্ষাৎকারকে আপনার সঙ্গে জুড়ে দেবে
- ✓নিউজরুম যে টুলগুলো এমনিতেই ব্যবহার করে, তার জন্য টেক্সট, SRT বা VTT-এ এক্সপোর্ট
কত দ্রুত, আর কোথায় কম পড়ে?
যে সংখ্যাগুলো আমরা মেপেছি, আর যা এই নকশাই বাদ দিয়ে দেয়
কী মেপেছি, আর কীসে মেপেছি
গতি নির্ভর করে মেশিনের উপর আর আপনি কোন ইঞ্জিন বাছছেন তার উপর, তাই "অ্যাপ"-এর জন্য একটামাত্র গুণক দেওয়াটা বিভ্রান্তিকর হতো। নিচের সংখ্যাগুলো আমাদের নিজেদের রান, শুরু থেকে চূড়ান্ত লেখা পর্যন্ত ঘড়ির সময়, আর যে হার্ডওয়্যারে মাপা তার নামও লেখা আছে।
Parakeet V3 (ডিফল্ট ইঞ্জিনের ভিত্তি)
Mac-এ প্রায় ৭৪× রিয়েল-টাইম: ১৭.৫ মিনিটের একটা মিটিং রেকর্ডিংয়ে লাগে প্রায় ১৫ সেকেন্ড
২৫টি ইউরোপীয় ভাষা; আমাদের নিজেদের রান, একটাই মেশিন
Whisper Turbo-র পথ
একই Mac-এ Whisper Large V3 Turbo চলে প্রায় ২.৭× রিয়েল-টাইমে, আর এটাই তার ১০০টি ভাষার দাম
আমাদের নিজেদের রান; Turbo হলো বিস্তৃত কভারেজের পথ, দ্রুততমটা নয়
পুরনো আর ছোট ডিভাইস
Apple Silicon Mac-এর তুলনায় iPhone একটা ফাইল ধীরে পার করে, আর চিপ যত পুরনো ফারাক তত বাড়ে। লম্বা ফাইলও শেষ হয়, শুধু সেই অনুপাতে বেশি সময় নেয়
iPhone 12 বা তার পরের, অথবা একটা Apple Silicon Mac
স্টোরেজ
ট্রান্সক্রিপ্ট খুবই ছোট, প্রতি ঘণ্টা অডিওতে প্রায় ০.১MB। আসল জায়গা নেয় মডেলগুলো: Mac-এ Qwen3-ASR 1.7B প্রায় ২.৫ GB আর Whisper Large V3 Turbo প্রায় ২ GB; বাকিগুলো এর চেয়ে ছোট
Parakeet অ্যাপের ভেতরেই আছে; বাকি মডেলগুলো অ্যাপের ভেতর থেকে ডাউনলোড হয়
জানা সীমাবদ্ধতা
ডিভাইসে মডেল চালানো কিছু কঠিন সীমা টেনে দেয়, আর সেগুলো কেনার পরের চেয়ে কেনার আগেই যাচাই করা সহজ। ঠিক এই কারণেই Mac-এর ফ্রি টিয়ার সপ্তাহে ৫,০০০ শব্দ পর্যন্ত।
ডিভাইসের প্রয়োজনীয়তা
তৈরি iPhone 12 বা তার পরের মডেল আর Apple Silicon Mac-এর জন্য; পুরনো iPhone-এ Neural Engine-এর যত পারফরম্যান্স লাগে তা নেই, তাই ওতে এটা বাস্তবসম্মত হয় না। Mac App Store সংস্করণ Intel Mac-এও ইনস্টল করা যায়, SenseVoice, Qwen3-ASR আর দ্রুত লাইভ ট্রান্সক্রিপ্ট ছাড়া।
Impact: iPhone 12 বা নতুন; সব মডেলের জন্য Apple Silicon Mac
প্রসেসিং সময়
রেকর্ডিং যত লম্বা, প্রসেসিংয়ের সময়ও তত বাড়ে। ডিভাইসে হিসাব করার পদার্থবিদ্যাকে ফাঁকি দেওয়ার উপায় নেই।
Impact: উপরের হারে এক ঘণ্টার একটা ফাইল Mac-এ কয়েক মিনিট, iPhone-এ তার চেয়ে বেশি
অডিও মানের নির্ভরতা
খারাপ অডিও বা জোরালো ব্যাকগ্রাউন্ড শব্দ নির্ভুলতা কমায়, আর সিগন্যালে যে তথ্য নেই মডেল তা ফিরিয়ে আনতে পারে না।
Impact: মাইক্রোফোন কোথায় বসছে আর একজনের কথার উপর আরেকজনের কথা — এ দুটো ত্রুটির হার মডেল বাছাইয়ের চেয়ে বেশি নাড়ায়
লাইভ ক্যাপশন নেই
Whisper Notes কোনো ক্যাপশনিং সেবা নয়। iPhone-এ রেকর্ড করার সময় Parakeet-এর ২৫টি ইউরোপীয় ভাষায় ট্রান্সক্রিপ্ট স্ক্রিনে দেখা যায়; Mac-এ মিটিং রেকর্ড করার সময় লাইভ ট্রান্সক্রিপ্ট প্যানেল এই ভাষাগুলোয় কয়েক সেকেন্ডের মধ্যে শব্দ দেখায়, অন্য ভাষায় মোটামুটি প্রতি ৩০ সেকেন্ডে। চূড়ান্ত ট্রান্সক্রিপ্ট তৈরি হয় গোটা ফাইল থেকে, তাতে মডেল কাজ করার মতো বেশি প্রসঙ্গ পায়।
Impact: অনুষ্ঠান চলাকালীন পর্দায় ক্যাপশন দরকার হলে এটা ভুল টুল
প্রতি রেকর্ডিংয়ে একটি ভাষা
একই রেকর্ডিংয়ের ভেতরে দ্রুত ভাষা বদলালে নির্ভুলতা কমে। শুরু থেকে শেষ পর্যন্ত ভাষা এক থাকলে মডেল সবচেয়ে ভালো কাজ করে।
Impact: প্রতি ফাইলে একটাই প্রধান ভাষা রাখলে সেরা ফল
উপসংহার: পেশাদার ব্যবহারের জন্য অফলাইন স্পিচ টু টেক্সট অ্যাপ
অফলাইন স্পিচ টু টেক্সট অ্যাপের অভিজ্ঞতা নিন
হাজার হাজার পেশাদারের সাথে যোগ দিন যারা নির্ভুল, ব্যক্তিগত অফলাইন AI ট্রান্সক্রিপশনের জন্য Whisper Notes বিশ্বাস করেন
iOS-এর জন্য ডাউনলোডiOS (iPhone 12+) এবং macOS (Apple Silicon)-এর জন্য। iPhone-এ একবার $7.99; Mac-এ প্রতি সপ্তাহে ৫,০০০ শব্দ বিনামূল্যে, তারপর একবার $14। কোনো সাবস্ক্রিপশন নেই।