Whisper Notes App: veu a text fora de línia
Anàlisi de l'app Whisper Notes utilitzant OpenAI Whisper Large V3 Turbo per transcripció fora de línia a iPhone i Mac
Què és Whisper Notes?
Whisper Notes és una app de veu a text fora de línia que utilitza el model Whisper Large V3 Turbo d'OpenAI. Processa l'àudio completament al teu dispositiu — sense càrregues al núvol. Utilitzada per professionals de salut, jurídics i periodisme per compliment HIPAA i privacitat completa.
L'app Whisper Notes té 10.000+ usuaris arreu del món. Els proveïdors sanitaris l'utilitzen per notes de pacients. Els periodistes per transcripció d'entrevistes. Els advocats per declaracions. Tot fora de línia — el teu àudio mai abandona el teu dispositiu.
El cost ocult de les apps Whisper "gratuïtes"
Segons la nostra experiència, les eines de transcripció "gratuïtes" segueixen un patró consistent: carreguen el teu àudio a servidors al núvol, el processen remotament i retenen dades per millorar els seus models. El producte no és el software — és la teva veu.
Les dades de veu són permanents
A diferència de les contrasenyes o números de targeta de crèdit, la biometria de veu no es pot canviar després d'un compromís. Uns pocs segons d'enregistrament capturen signatures acústiques que t'identifiquen en diferents contextos.
La tecnologia de clonació de veu ara només requereix de tres a cinc segons d'àudio de mostra. La precisió de detecció humana per deepfakes de veu d'alta qualitat es manté en només un 24.5%. El 2025, un clon de veu del Ministre de Defensa italià es va utilitzar per extreure gairebé un milió d'euros. Això no és un risc teòric.
Quan carregues àudio a un servei de transcripció al núvol, estàs creant un registre permanent de la teva identitat biomètrica en una infraestructura que no controles.
El panorama de filtracions de transcripció al núvol
Els incidents de seguretat relacionats amb IA van augmentar un 56.4% el 2024. El vuitanta-dos per cent de les filtracions ara involucren infraestructura al núvol. La sanitat ha vist l'exposició d'informació de salut protegida via agents de transcripció, integracions EHR i llacs de dades mal configurats.
El patró és previsible: les dades sensibles flueixen cap a sistemes d'IA, la visibilitat cau, i atacants o accidents exposen el que s'havia de mantenir privat. Les transcripcions de centres de contacte flueixen cap a models mentre els números de compte cauen en registres de depuració sense emmascarar.
La primera meitat de 2025 va veure un augment pronunciat en filtracions de dades importants que involucren categories de dades més sensibles. En lloc de només noms d'usuari i contrasenyes, les filtracions ara exposen perfils genètics, enregistraments de veu i identificadors biomètrics.
La direcció del viatge
El març de 2025, Amazon va anunciar que estava discontinuant la configuració "No Enviar Enregistraments de Veu" als dispositius Echo. Totes les interaccions d'usuari amb dispositius Alexa ara s'enregistren i s'envien als servidors d'Amazon per defecte, sense opció de rebutjar.
Aquesta no és una decisió aïllada. Les plataformes principals es mouen cap a més recollida de dades, no menys. Els incentius econòmics del desenvolupament d'IA afavoreixen l'acumulació de dades d'entrenament. Les opcions de privacitat que existeixen avui poden no existir demà.
Hem construït Whisper Notes amb l'arquitectura oposada: no hi ha servidor on enviar dades. Aquesta no és una configuració que es pugui canviar. És una restricció fonamental de com està construïda l'app.
El preu real de "gratuït"
Les eines web Whisper gratuïtes sovint utilitzen el teu àudio per millorar els seus models. Això es revela en els termes de servei que pocs usuaris llegeixen. Els serveis al núvol per minut de $0.006 a $0.40 per minut s'acumulen a centenars de dòlars anualment per usuaris regulars.
Els serveis basats en subscripció com Otter.ai costen aproximadament $99 per any. En cinc anys, això són $495—per un servei que processa el teu àudio en servidors remots.
Whisper Notes costa $7.99 un cop. Sense subscripció. Sense tarifes per minut. Sense recollida de dades. El model de negoci és simple: pagues pel software, posseeixes el software.
Cost per any
| Tipus de servei | Any 1 | Any 2 | Any 3 | Gestió de dades |
|---|---|---|---|---|
| Whisper Notes | $7.99 | $0 | $0 | Mai abandona el dispositiu |
| Servei de subscripció | $99 | $99 | $99 | Processat al núvol |
| API núvol per minut | $120-480 | $120-480 | $120-480 | Processat al núvol |
| Eines web "gratuïtes" | $0 | $0 | $0 | Usat per entrenament d'IA |
Quan hauries d'utilitzar un servei al núvol
Amb àudio net, els models grans del núvol encara són una mica més precisos, perquè funcionen amb una mida que cap telèfon ni portàtil no pot allotjar, i poden subtitular la parla en directe, cosa que la transcripció al dispositiu encara no iguala. Són avantatges reals i no farem veure el contrari.
Si necessites subtítols en directe, si diverses persones han d'editar la mateixa transcripció mentre la reunió encara dura, o si aquella darrera fracció de precisió t'importa més que on acaba l'àudio, un servei al núvol és la millor eina i preferim que la facis servir.
El que sí que discutim és tractar aquesta diferència de precisió com l'únic número de la decisió. En feines sotmeses a un deure de confidencialitat — històries clíniques, material emparat pel secret professional, entrevistes amb fonts — «on va l'àudio?» és una pregunta que has de poder respondre, i la resposta més curta que se sosté és que no ha anat enlloc.
Per què l'arquitectura importa: apps natives vs. web wrappers
Quan cerques "app Whisper," trobaràs tres categories: eines web que funcionen al teu navegador, APIs al núvol que requereixen internet, i apps natives compilades específicament per al teu dispositiu. La diferència d'arquitectura importa tant per privacitat com per rendiment.
Web wrappers i eines basades en navegador
Moltes eines Whisper basades en navegador afirmen "processament local," cosa que és tècnicament precisa. El teu àudio es queda a la pestanya del navegador. Però els entorns de navegador tenen limitacions fonamentals.
Les restriccions de memòria obliguen a models més petits. La majoria de navegadors limiten la memòria WebAssembly a uns 4GB, cosa que restringeix la mida del model que pot executar-se. JavaScript afegeix sobrecàrrega de processament comparat amb codi natiu. Una sola fallada de pestanya perd el teu treball sense opció de recuperació.
Les eines basades en navegador també manquen d'integració amb el sistema. No poden executar-se en segon pla mentre utilitzes altres aplicacions. No poden accedir a l'acceleració de maquinari eficientment. Són pàgines web que fan transcripció, no software de transcripció.
| Processament | WebAssembly/TensorFlow.js al navegador |
| Mida del model | Limitat per memòria del navegador (~4GB) |
| Velocitat | Més lent per sobrecàrrega de JavaScript |
| Privacitat | Millor que núvol, però el navegador té accés |
| Fiabilitat | La pestanya pot fallar, sense processament en segon pla |
Apps natives: accés directe al maquinari
Whisper Notes està compilat específicament per macOS i iOS. Accedeix directament al Neural Engine d'Apple — el mateix xip dedicat que impulsa Face ID i fotografia computacional.
Això no és una pàgina web embolicada en una closca d'app. És codi natiu optimitzat per al teu maquinari específic. Per això són possibles les velocitats d'aquesta pàgina: en un M4 Pro, el Parakeet V3 despatxa 35 minuts d'àudio en uns 18 segons.
Les apps natives poden executar-se en segon pla, integrar-se amb serveis del sistema i recuperar-se elegantment d'interrupcions. Estan aïllades pel sistema operatiu, significant que no poden accedir a dades d'altres apps. I com que Whisper Notes no sol·licita permisos de xarxa, literalment no pot transmetre dades encara que estigui compromesa.
| Processament | Accés directe al Neural Engine d'Apple |
| Mida del model | Whisper Large V3 Turbo, uns 1.5GB |
| Velocitat | Parakeet V3 a unes 60x el temps real al nostre M5 Air |
| Privacitat | Aïllada, sense permisos de xarxa |
| Fiabilitat | Processament en segon pla, integració amb sistema |
APIs al núvol: màxima potència, màxima exposició
Els serveis al núvol poden executar els models Whisper més grans perquè els recursos del servidor són efectivament il·limitats. Poden oferir precisió marginalment més alta i funcions com transcripció en temps real que requereixen potència de càlcul substancial.
El compromís: cada enregistrament es carrega a infraestructura que no controles. El teu àudio travessa internet, es processa en servidors remots i pot emmagatzemar-se segons polítiques de retenció que no vas triar.
Per terapeutes vinculats per requisits de confidencialitat, advocats que gestionen comunicacions privilegiades, periodistes que protegeixen fonts, o qualsevol que treballi amb informació sensible, el processament al núvol sovint és un factor descartador independentment dels beneficis de precisió.
| Processament | Servidors remots (càlcul il·limitat) |
| Mida del model | Models més grans disponibles |
| Velocitat | Depèn d'internet i cua del servidor |
| Privacitat | Àudio carregat i potencialment emmagatzemat |
| Fiabilitat | Requereix internet, subjecte a límits de taxa |
La nostra decisió arquitectònica
Vam triar l'arquitectura d'app nativa perquè és l'única manera que les teves dades de veu es quedin al teu dispositiu. No "processades localment i després sincronitzades." No "encriptades en trànsit." Mai carregades, punt.
Aquesta elecció té costos. No podem oferir transcripció en temps real durant l'enregistrament. No podem executar models més grans del que cap al teu dispositiu. No podem proporcionar funcions col·laboratives que requereixin un servidor.
Vam fer aquest compromís intencionalment. Per als casos d'ús on la privacitat importa — i segons la nostra experiència, això inclou la majoria de transcripció professional — el processament local pesa més que les funcions que requereixen infraestructura al núvol.
Quin model fa la feina?
Tres motors, i com triar-ne un
Especificacions
| Models d'IA | Parakeet V3 (per defecte), Whisper Large V3 Turbo (Mac) o Whisper Small (iPhone), SenseVoice |
| Idiomes | 101 opcions via Whisper, 25 europees via Parakeet V3, 6 via SenseVoice |
| Formats d'àudio | MP3, WAV, M4A, FLAC, AAC, OGG, WMA |
| Velocitat | Parakeet V3 a unes 60x el temps real al nostre M5 Air; la via Whisper Turbo a unes 11x |
| Mida de fitxer | Cap límit imposat per l'app |
| Plataformes | iOS 18+, macOS 11+ (optimitzat per Apple Silicon) |
Què sap fer realment?
Tres coses carreguen amb gairebé tot l'ús diari: entrar l'àudio, treure'n el text i la restricció que manté totes dues coses al dispositiu.
Importació de fitxers
Importa fitxers d'àudio per transcripció fora de línia. L'app Whisper Notes processa fitxers utilitzant context complet per millor precisió.
- ✓Importa des de Fitxers, Memos de Veu, qualsevol lloc
- ✓Enregistra primer, transcriu després per millor precisió
- ✓Processament en segon pla mentre utilitzes altres apps
- ✓Organització automàtica de fitxers
Opcions d'exportació
Múltiples formats de sortida, de text a subtítols.
- ✓Text pla amb format
- ✓Fitxers de subtítols SRT i VTT
- ✓Transcripcions amb marca de temps
- ✓Etiquetes de parlants
- ✓Salts de paràgraf personalitzats
Protecció de privacitat
El teu àudio mai abandona el teu dispositiu. Només processament fora de línia.
- ✓Zero transmissió de dades — processament fora de línia
- ✓Compatible amb HIPAA i GDPR
- ✓Emmagatzematge local encriptat
- ✓Sense servidors al núvol — funciona completament al teu dispositiu
- ✓Rastre d'auditoria per ús empresarial
Quina precisió té i d'on surt aquesta xifra?
Benchmarks publicats, més les nostres pròpies mesures en una màquina que anomenem
No fem cap estudi de precisió propi: un fabricant que es corregeix ell mateix val poc. Les taxes d'error de sota vénen del Hugging Face Open ASR Leaderboard i del benchmark FLEURS. Tots dos són públics i els porten persones que no hi guanyen res amb aquesta app. Les xifres de velocitat sí que són nostres, mesurades en una màquina que anomenem.
Taxa d'error de paraula per model
| Model | Font | Taxa d'error | Nota |
|---|---|---|---|
| Parakeet V3 (per defecte al Mac) | Open ASR Leaderboard | 6,32% WER (anglès) | 25 llengües europees; 12,0% de mitjana entre elles a FLEURS |
| Whisper Large V3 Turbo | Open ASR Leaderboard | 7,83% WER (anglès) | La cobertura més àmplia de les tres: 101 opcions d'idioma |
| SenseVoice Small | Prova nostra, M4 Pro | Podcast de 27 minuts en 13,83 s | Fet per al xinès, el japonès, el coreà i el cantonès |
Key Findings
- •El Parakeet V3 transcriu 35 minuts d'àudio en 18 segons en un M4 Pro; el Whisper Turbo hi triga uns tres minuts amb el mateix fitxer
- •En anglès, menys de dos punts de taxa d'error separen els tres models
- •La mesura es fa sobre parla llegida i preparada. Els teus enregistraments aniran pitjor, i el micròfon o que la gent es trepitgi la paraula pesen més que triar un model o un altre
Els models grans al núvol mantenen un petit avantatge amb àudio net, perquè funcionen a una mida que cap telèfon ni portàtil no pot encabir. Aquesta distància és el preu perquè l'àudio no surti mai del dispositiu. Si la teva feina no necessita l'últim punt de precisió, el canvi sol valer la pena. Si el necessita, l'honest és recomanar-te un servei al núvol.
Com es compara amb les alternatives?
Contra els serveis al núvol, contra les eines que ja porta el teu dispositiu i contra el software empresarial
Gairebé tota aquesta taula es pot comprovar en uns minuts. La fila de la precisió és la que s'ha de llegir amb cura, perquè les quatre categories no es mesuren al mateix benchmark.
Taula de comparació
| Funció | App Whisper Notes | Serveis al núvol | Eines integrades | Software empresarial |
|---|---|---|---|---|
| Precisió (WER en anglès) | 6,32-7,83% (Open ASR Leaderboard) | Dades del fabricant, gairebé mai en aquest leaderboard | No publicada | No publicada |
| On es processa l'àudio | Al teu dispositiu | Servidors del proveïdor | Segons el proveïdor | Opció local |
| Cost | $7.99 iPhone, $14 Mac, pagament únic | $0.006-0.40/min | Gratuït (limitat) | $500-2000/llicència |
| Idiomes | 101 opcions | 50-100 idiomes | 10-30 idiomes | 20-50 idiomes |
| Internet | No | Sí | A vegades | Local: No |
| Límit de durada del fitxer | Cap límit imposat per l'app | Normalment 1-2 hores | 5-10 minuts | Varia |
Market Position: Amb les tres opcions una al costat de l'altra, l'intercanvi es llegeix sol. Una API al núvol d'última generació encara és una mica més precisa amb àudio net, i costa de $0.006 a $0.40 per minut amb el teu enregistrament al disc d'una altra persona. La transcripció empresarial local manté l'àudio dins de la teva xarxa i comença a uns $500 per lloc de treball. Whisper Notes executa els models oberts en maquinari que ja tens per $7.99 a l'iPhone o $14 al Mac, i a canvi renuncia als subtítols en directe, a l'edició compartida i a l'última fracció de precisió. Si alguna d'aquestes tres coses és a la teva llista, una de les altres dues opcions és la millor compra.
Per a quines feines encaixa bé?
Tres menes de feina en què l'enregistrament no pot viatjar
Salut
El personal mèdic fa servir Whisper Notes per a documentació de pacients, notes clíniques i entrevistes de recerca. Com que l'àudio no arriba mai a cap servidor nostre, no hi ha cap encarregat del tractament extern a qui cobrir amb un acord. Que tot el flux de treball compleixi la HIPAA continua depenent de com estigui protegit el mateix dispositiu, i si diversos companys han d'obrir i comentar la mateixa nota, un servei al núvol amb un acord signat és la resposta més pràctica.
Use Cases
- •Documentació de consultes de pacients
- •Notes de procediments mèdics
- •Transcripció d'entrevistes de recerca
- •Registres de sessions de telemedicina
- •Contingut de formació clínica
Benefits
- ✓Cap política de dades en què confiar, perquè no s'envia res
- ✓Vocabulari personalitzat per a termes clínics i noms de medicaments
- ✓Cap dada de salut surt del dispositiu, perquè no hi ha via de pujada
- ✓Una consulta de 20 minuts es transcriu en força menys d'un minut en un Mac amb Apple Silicon
Jurídic
Els advocats fan servir Whisper Notes per a declaracions, entrevistes amb clients i preparació de casos. L'enregistrament es queda al dispositiu, així que cap proveïdor no en guarda una còpia. Això no resol les teves pròpies obligacions: que un flux de treball concret compleixi les normes de confidencialitat de la teva jurisdicció continua depenent de com es tractin el dispositiu, les seves còpies de seguretat i les seves exportacions.
Use Cases
- •Documentació d'entrevistes de clients
- •Transcripció de declaracions
- •Notes de recerca de casos
- •Registres de procediments legals
- •Entrevistes d'investigació
Benefits
- ✓No guardem cap còpia de l'enregistrament ni de la transcripció
- ✓Vocabulari personalitzat per a noms de casos i termes jurídics
- ✓Transcripcions amb marques de temps, exportades com a text, SRT, VTT o JSON
- ✓$7.99 a l'iPhone o $14 al Mac, pagament únic, davant de la transcripció externa per minut
Periodisme
Els reporters fan servir Whisper Notes per a entrevistes amb fonts i enregistraments de camp. No hi ha cap servidor que guardi l'àudio, així que les úniques còpies són les dels teus propis dispositius, cosa que mou la protecció de la font des de la nostra política de retenció, que no pots verificar, fins a la seguretat del teu propi dispositiu, que sí. Si a la redacció diverses persones han d'editar una mateixa transcripció durant un directe, això és feina d'una eina al núvol.
Use Cases
- •Transcripció d'entrevistes amb fonts
- •Documentació d'enregistraments de camp
- •Notes de rodes de premsa
- •Arxius d'entrevistes de recerca
- •Producció de podcast
Benefits
- ✓Ni l'enregistrament ni la transcripció s'envien enlloc
- ✓Funciona amb el dispositiu fora de línia, que és també com es comprova l'afirmació
- ✓Sense compte, així que no hi ha historial d'accessos que vinculi una entrevista amb tu
- ✓Exporta a text, SRT, VTT o JSON per a les eines que la redacció ja fa servir
Com de ràpida és, i on es queda curta?
Els números que hem mesurat i les coses que el disseny descarta
Què hem mesurat, i en quina màquina
La velocitat depèn de la màquina i del motor que triïs, així que un únic multiplicador per a "l'app" seria enganyós. Aquestes són les nostres pròpies proves, temps de rellotge des de l'inici fins al text final, en maquinari que anomenem.
Parakeet V3, el motor per defecte
Un enregistrament de reunió de 17,5 minuts va acabar en 16,7 segons al nostre M5 Air, unes 60 vegades el temps real
25 llengües europees; prova nostra, una sola màquina
La via Whisper Turbo
El Whisper Large V3 Turbo es queda més a prop d'11 vegades el temps real pel mateix camí, que és el preu de les seves 101 opcions d'idioma
Proves nostres; el Turbo és la via de cobertura àmplia, no la ràpida
Dispositius antics i petits
Un iPhone travessa un fitxer més a poc a poc que un Mac amb Apple Silicon, i la distància creix amb l'edat del xip. Els fitxers llargs acaben igualment; només triguen proporcionalment més
iPhone 12 o posterior, o un Mac amb Apple Silicon
Emmagatzematge
Les transcripcions són diminutes, uns 0,1MB per hora d'àudio. El pes real són els models: el Whisper Large V3 Turbo ocupa uns 1,5GB i els altres dos són més petits
El Parakeet V3 va dins de l'app d'iPhone; els altres models es descarreguen des de l'app
Limitacions conegudes
Executar els models al dispositiu imposa límits durs, i és més fàcil comprovar-los abans de comprar que després. Per això el pla gratuït del Mac cobreix 5.000 paraules per setmana.
Requisits de dispositiu
Necessita un iPhone 12 o posterior, o un Mac amb Apple Silicon. Al maquinari més antic li falta rendiment al Neural Engine perquè això sigui pràctic.
Impact: No compatible amb dispositius de més de 4-5 anys
Temps de processament
El temps de processament creix amb la durada de l'enregistrament. No hi ha manera d'esquivar la física del càlcul al dispositiu.
Impact: A les velocitats de dalt, un fitxer de quatre hores són minuts en un Mac i més en un iPhone
Qualitat d'àudio
Un àudio dolent o molt soroll de fons redueixen la precisió, i el model no pot recuperar informació que no és al senyal.
Impact: La col·locació del micròfon i que la gent es trepitgi la paraula mouen la taxa d'error més que triar un model o un altre
Sense subtítols en directe
L'app transcriu un enregistrament quan s'ha acabat, en lloc de subtitular-lo mentre parles. Els subtítols en directe amb aquesta qualitat necessiten una classe de model que no cap en un telèfon, i processar el fitxer sencer a més dona al model més context amb què treballar.
Impact: Si necessites subtítols en pantalla durant l'acte, aquesta no és l'eina
Un idioma per enregistrament
Canviar d'idioma ràpidament dins d'un mateix enregistrament redueix la precisió. El model funciona millor amb un idioma constant de cap a cap.
Impact: Millors resultats amb un idioma principal per fitxer
Conclusió
Descarrega l'app Whisper Notes
Veu a text fora de línia per iPhone i Mac. Transcripció centrada en privacitat.
Descarrega per a iOSApp Whisper Notes a iOS i macOS • $7.99 un cop • Sense subscripcions