Whisper Notes app: offline speech to text aplikace
Úplná recenze offline transkripce pomocí OpenAI Whisper Large V3 Turbo na iPhone a Mac
Co je Whisper Notes?
Whisper Notes je offline speech to text aplikace využívající OpenAI Whisper Large V3 Turbo model. Zpracovává audio na vašem zařízení — bez nahrávání do cloudu. Používá se ve zdravotnictví, právu, žurnalistice pro HIPAA compliance a soukromí.
Aplikace Whisper Notes má více než 10 000 uživatelů. Poskytovatelé zdravotní péče ji používají pro poznámky o pacientech. Novináři pro transkripci rozhovorů. Právníci pro svědecké výpovědi. Vše offline — audio neopouští zařízení.
Skryté náklady "bezplatných" Whisper aplikací
Podle našich zkušeností „bezplatné" transkripční nástroje následují konzistentní vzorec: nahrávají vaše audio na cloudové servery, zpracovávají je vzdáleně a uchovávají data pro zlepšení svých modelů. Produktem není software — je to váš hlas.
Hlasová data jsou trvalá
Na rozdíl od hesel nebo čísel kreditních karet nelze hlasovou biometrii po kompromitaci změnit. Několik sekund nahrávky zachytí akustické podpisy, které vás identifikují v různých kontextech.
Technologie klonování hlasu nyní vyžaduje pouze tři až pět sekund vzorového audia. Přesnost lidské detekce vysoce kvalitních hlasových deepfakes zůstává pouze na 24,5%. V roce 2025 byl hlasový klon italského ministra obrany použit k vylákání téměř jednoho milionu eur. Toto není teoretické riziko.
Když nahráváte audio do cloudové transkripční služby, vytváříte trvalý záznam své biometrické identity na infrastruktuře, kterou neovládáte.
Krajina úniků cloudové transkripce
Bezpečnostní incidenty související s AI vzrostly v roce 2024 o 56,4%. Osmdesát dva procent úniků nyní zahrnuje cloudovou infrastrukturu. Zdravotnictví zaznamenalo úniky chráněných zdravotních informací prostřednictvím transkripčních agentů, EHR integrací a nesprávně nakonfigurovaných datových jezer.
Vzorec je předvídatelný: citlivá data proudí do AI systémů, viditelnost klesá a útočníci nebo nehody odhalí to, co mělo zůstat soukromé. Přepisy kontaktních center proudí do modelů, zatímco čísla účtů končí v debug logech bez maskování.
První polovina roku 2025 zaznamenala prudký nárůst velkých úniků dat zahrnujících citlivější kategorie dat. Místo pouhých uživatelských jmen a hesel úniky nyní odhalují genetické profily, hlasové nahrávky a biometrické identifikátory.
Směr vývoje
V březnu 2025 Amazon oznámil, že ukončuje nastavení „Neodesílat hlasové nahrávky" na zařízeních Echo. Všechny uživatelské interakce se zařízeními Alexa jsou nyní standardně nahrávány a odesílány na servery Amazonu, bez možnosti odhlášení.
Toto není izolované rozhodnutí. Velké platformy se posouvají směrem k většímu sběru dat, nikoliv menšímu. Ekonomické pobídky vývoje AI upřednostňují shromažďování trénovacích dat. Možnosti ochrany soukromí, které existují dnes, nemusí existovat zítra.
Whisper Notes jsme postavili s opačnou architekturou: není žádný server, kam by se data odesílala. Toto není nastavení, které lze změnit. Je to základní omezení toho, jak je aplikace postavena.
Skutečná cena "bezplatného"
Bezplatné webové nástroje Whisper často používají vaše audio ke zlepšení svých modelů. Toto je uvedeno v podmínkách služby, které málokdo čte. Cloudové služby za minutu při $0,006 až $0,40 za minutu se pro pravidelné uživatele kumulují na stovky dolarů ročně.
Služby založené na předplatném jako Otter.ai stojí přibližně $99 ročně. Za pět let je to $495—za službu, která zpracovává vaše audio na vzdálených serverech.
Whisper Notes stojí $7,99 jednorázově. Žádné předplatné. Žádné poplatky za minutu. Žádný sběr dat. Obchodní model je jednoduchý: zaplatíte za software, vlastníte software.
Náklady za rok
| Typ služby | Rok 1 | Rok 2 | Rok 3 | Nakládání s daty |
|---|---|---|---|---|
| Whisper Notes | $7,99 | $0 | $0 | Nikdy neopustí zařízení |
| Předplatná Služba | $99 | $99 | $99 | Cloudové zpracování |
| Cloudové API za Minutu | $120-480 | $120-480 | $120-480 | Cloudové zpracování |
| "Bezplatné" Webové Nástroje | $0 | $0 | $0 | Použito pro AI trénink |
Kdy je lepší sáhnout po cloudové službě
Na čistém zvuku jsou velké cloudové modely stále o něco přesnější, protože běží ve velikosti, kterou žádný telefon ani notebook neunese, a umí titulkovat řeč živě způsobem, kterému se přepis na zařízení zatím nevyrovná. To jsou skutečné výhody a nebudeme předstírat opak.
Pokud potřebujete živé titulky, pokud musí několik lidí upravovat stejný přepis, zatímco schůzka ještě běží, nebo pokud vám poslední zlomek přesnosti záleží víc než to, kde nahrávka zůstane, je cloudová služba lepší nástroj a raději budeme, když ji použijete.
Ohradili bychom se jen proti jedné věci: proti tomu brát ten rozdíl v přesnosti jako jediné číslo v rozhodování. U práce vázané mlčenlivostí — zdravotnická dokumentace, materiál chráněný profesním tajemstvím, rozhovory se zdroji — je „kam ta nahrávka jde?“ otázka, na kterou musíte umět odpovědět, a nejkratší odpověď, která obstojí, zní, že nikam nešla.
Proč záleží na architektuře: nativní aplikace vs. webové wrappery
Když hledáte „Whisper app," najdete tři kategorie: webové nástroje běžící v prohlížeči, cloudová API vyžadující internet a nativní aplikace zkompilované speciálně pro vaše zařízení. Rozdíl v architektuře je důležitý jak pro soukromí, tak pro výkon.
Webové wrappery a prohlížečové nástroje
Mnoho prohlížečových Whisper nástrojů tvrdí, že provádí „lokální zpracování," což je technicky přesné. Vaše audio zůstává v záložce prohlížeče. Ale prohlížečová prostředí mají zásadní omezení.
Omezení paměti vyžadují menší modely. Většina prohlížečů omezuje paměť WebAssembly na přibližně 4GB, což omezuje velikost modelu, který může běžet. JavaScript přidává režii zpracování ve srovnání s nativním kódem. Jediný pád záložky ztratí vaši práci bez možnosti obnovení.
Prohlížečové nástroje také postrádají systémovou integraci. Nemohou běžet na pozadí, zatímco používáte jiné aplikace. Nemohou efektivně přistupovat k hardwarové akceleraci. Jsou to webové stránky, které náhodou provádějí transkripci, ne transkripční software.
| Zpracování | WebAssembly/TensorFlow.js v prohlížeči |
| Velikost Modelu | Omezeno pamětí prohlížeče (~4GB) |
| Rychlost | Pomalejší kvůli režii JavaScriptu |
| Soukromí | Lepší než cloud, ale prohlížeč má přístup |
| Spolehlivost | Záložka může spadnout, žádné zpracování na pozadí |
Nativní aplikace: přímý přístup k hardware
Whisper Notes je zkompilován speciálně pro macOS a iOS. Přistupuje přímo k Apple Neural Engine — stejnému dedikovanému čipu, který pohání Face ID a výpočetní fotografii.
Toto není webová stránka zabalená do aplikačního shellu. Je to nativní kód optimalizovaný pro váš konkrétní hardware. Právě proto jsou rychlosti na této stránce vůbec možné: na M4 Pro projde Parakeet V3 35 minut zvuku za zhruba 18 sekund.
Nativní aplikace mohou běžet na pozadí, integrovat se se systémovými službami a elegantně se zotavovat z přerušení. Jsou sandboxované operačním systémem, což znamená, že nemohou přistupovat k datům z jiných aplikací. A protože Whisper Notes nevyžaduje síťová oprávnění, doslova nemůže přenášet data, i kdyby byl kompromitován.
| Zpracování | Přímý přístup k Apple Neural Engine |
| Velikost Modelu | Whisper Large V3 Turbo, zhruba 1,5GB |
| Rychlost | Parakeet V3 zhruba 60x reálný čas na našem M5 Air |
| Soukromí | Sandboxovaný, bez síťových oprávnění |
| Spolehlivost | Zpracování na pozadí, systémová integrace |
Cloudová API: maximální výkon, maximální expozice
Cloudové služby mohou provozovat největší Whisper modely, protože serverové zdroje jsou prakticky neomezené. Mohou nabídnout marginálně vyšší přesnost a funkce jako transkripci v reálném čase, které vyžadují značný výpočetní výkon.
Kompromis: každá nahrávka se nahrává na infrastrukturu, kterou neovládáte. Vaše audio putuje přes internet, je zpracováváno na vzdálených serverech a může být uloženo podle retenčních politik, které jste si nezvolili.
Pro terapeuty vázané požadavky na důvěrnost, právníky pracující s privilegovanou komunikací, novináře chránící zdroje nebo kohokoli pracujícího s citlivými informacemi je cloudové zpracování často diskvalifikujícím faktorem bez ohledu na výhody v přesnosti.
| Zpracování | Vzdálené servery (neomezený výpočetní výkon) |
| Velikost Modelu | Největší dostupné modely |
| Rychlost | Závisí na internetu a frontě serveru |
| Soukromí | Audio nahráváno a potenciálně ukládáno |
| Spolehlivost | Vyžaduje internet, podléhá limitům rychlosti |
Naše architektonické rozhodnutí
Zvolili jsme architekturu nativní aplikace, protože je to jediný způsob, jak zařídit, aby vaše hlasová data zůstala na vašem zařízení. Ne „zpracováno lokálně a pak synchronizováno." Ne „šifrováno při přenosu." Nikdy nahráváno, tečka.
Tato volba má své náklady. Nemůžeme nabídnout transkripci v reálném čase během nahrávání. Nemůžeme spouštět modely větší, než se vejdou na vaše zařízení. Nemůžeme poskytovat kolaborativní funkce, které vyžadují server.
Tento kompromis jsme učinili záměrně. Pro případy použití, kde záleží na soukromí — a podle našich zkušeností to zahrnuje většinu profesionální transkripce — váží lokální zpracování víc než funkce, které vyžadují cloudovou infrastrukturu.
Který model dělá tu práci?
Tři enginy a jak si jeden vybrat
Technické specifikace
| AI modely | Parakeet V3 (výchozí), Whisper Large V3 Turbo (Mac) nebo Whisper Small (iPhone), SenseVoice |
| Jazyky | 101 voleb přes Whisper, 25 evropských přes Parakeet V3, 6 přes SenseVoice |
| Audio formáty | MP3, WAV, M4A, FLAC, AAC, OGG, WMA |
| Rychlost zpracování | Parakeet V3 zhruba 60x reálný čas na našem M5 Air; cesta přes Whisper Turbo zhruba 11x |
| Limit velikosti souboru | Žádný, který by aplikace ukládala |
| Platformy | iOS 18+, macOS 11+ (optimalizováno pro Apple Silicon) |
Co aplikace opravdu umí?
Tři věci nesou většinu každodenního používání: dostat zvuk dovnitř, dostat text ven a omezení, které obojí drží na zařízení.
Offline import souborů
Importujte audio soubory nebo dokončené nahrávky pro vysoce přesnou offline AI transkripci. Tato offline speech to text aplikace zpracovává soubory pomocí analýzy plného kontextu pro maximalizaci přesnosti, poskytuje vynikající výsledky ve srovnání s online speech to text službami.
- ✓Import audio souborů z různých zdrojů (Soubory, Hlasové poznámky atd.)
- ✓Nejprve nahrajte audio, poté transkribujte pro optimální přesnost
- ✓Background offline speech to text zpracování při používání jiných aplikací
- ✓Automatická organizace souborů a správa transkripce
Pokročilé možnosti exportu
Výstupní formáty profesionální kvality přizpůsobené různým případům použití, od jednoduchých textových dokumentů po soubory titulků pro video obsah.
- ✓Prostý text s přizpůsobitelným formátováním
- ✓SRT a VTT soubory titulků pro video
- ✓Transkripce s časovými značkami pro referenci
- ✓Identifikace a označování mluvčích
- ✓Vlastní segmentace odstavců
Úplné soukromí: skutečné offline speech to text zpracování
Pro váš zvuk ani pro jeho přepis neexistuje žádná cesta ven. Ověřit si to můžete během půl minuty v režimu letadlo.
- ✓Úplné offline speech to text zpracování (žádný přenos dat)
- ✓Žádný externí zpracovatel: soukromý přepis pro zdravotnictví, právo a byznys
- ✓Šifrované lokální úložiště pro všechnu offline AI transkripci
- ✓Žádné cloudové závislosti - skutečný offline transcription software
- ✓Audit trail pro enterprise offline speech to text prostředí
Jak je aplikace přesná a odkud se to číslo bere?
Publikované benchmarky a k tomu naše vlastní měření na konkrétním stroji
Neděláme vlastní studii přesnosti: výrobce, který si sám opravuje písemku, má malou cenu. Chybovosti níže pocházejí z Hugging Face Open ASR Leaderboard a z benchmarku FLEURS. Oba jsou veřejné a vedou je lidé, kteří na této aplikaci nic nevydělávají. Čísla o rychlosti jsou naše, naměřená na stroji, který uvádíme.
Chybovost slov podle modelu
| Model | Zdroj | Chybovost | Poznámka |
|---|---|---|---|
| Parakeet V3 (výchozí na Macu) | Open ASR Leaderboard | 6,32 % WER (angličtina) | 25 evropských jazyků; 12,0 % průměr přes ně na FLEURS |
| Whisper Large V3 Turbo | Open ASR Leaderboard | 7,83 % WER (angličtina) | Nejširší pokrytí ze tří: 101 jazykových voleb |
| SenseVoice Small | Náš test, M4 Pro | 27minutový podcast za 13,83 s | Postavená pro čínštinu, japonštinu, korejštinu a kantonštinu |
Key Findings
- •Parakeet V3 přepíše 35 minut zvuku za 18 sekund na M4 Pro; Whisper Turbo potřebuje na stejný soubor zhruba tři minuty
- •V angličtině dělí tři modely méně než dva body chybovosti
- •Měří se na čtené a připravené řeči. Vaše vlastní nahrávky dopadnou hůř a mikrofon nebo skákání do řeči posouvají číslo víc než volba modelu
Velké modely v cloudu si na čistém zvuku drží malý náskok, protože běží ve velikosti, kterou žádný telefon ani notebook nepojme. Ten rozdíl je cena za to, že zvuk nikdy neopustí zařízení. Pokud vaše práce nepotřebuje poslední bod přesnosti, výměna se obvykle vyplatí. Pokud ho potřebuje, poctivé je doporučit cloudovou službu.
Jak si stojí proti alternativám?
Proti cloudovým službám, proti nástrojům, které už máte v zařízení, a proti podnikovému softwaru
Většinu této tabulky si ověříte během pár minut. Pozorně stojí za přečtení řádek o přesnosti, protože ty čtyři kategorie se neměří na stejném benchmarku.
Srovnání funkcí
| Funkce | Whisper Notes | Cloudové služby | Vestavěné nástroje | Enterprise software |
|---|---|---|---|---|
| Přesnost (chybovost slov v angličtině) | 6,32-7,83 % (Open ASR Leaderboard) | Údaje výrobce, většinou ne na tomto leaderboardu | Nezveřejněno | Nezveřejněno |
| Kde se zvuk zpracovává | Na vašem zařízení | Servery poskytovatele | Podle poskytovatele | On-premise možnost |
| Cena | $7.99 iPhone, $14 Mac, jednorázově | $0.006-0.40/min | Zdarma (omezené) | $500-2000/licence |
| Jazyky | 101 voleb | 50-100 jazyků | 10-30 jazyků | 20-50 jazyků |
| Internet Požadován | Ne | Ano | Někdy | On-premise: Ne |
| Limit délky souboru | Žádný, který by aplikace ukládala | Obvykle 1-2 hodiny | 5-10 minut | Různé |
Market Position: Když ty tři možnosti postavíte vedle sebe, výměna je čitelná. Špičkové cloudové API je na čistém zvuku pořád o něco přesnější a stojí $0.006 až $0.40 za minutu, přičemž vaše nahrávka leží na cizím disku. Podniková transkripce na vlastní infrastruktuře drží zvuk uvnitř vaší sítě a začíná zhruba na $500 za místo. Whisper Notes pouští otevřené modely na hardwaru, který už máte, za $7.99 na iPhonu nebo $14 na Macu, a vzdává se za to živých titulků, sdíleného editování a poslední špetky přesnosti. Pokud je některá z těch tří věcí na vašem seznamu, jedna ze zbývajících dvou možností je lepší koupě.
Pro jakou práci se aplikace hodí?
Tři druhy práce, kde nahrávka nesmí nikam cestovat
Zdravotnictví
Lékaři používají Whisper Notes pro dokumentaci pacientů, klinické poznámky a výzkumné rozhovory. Protože se zvuk nikdy nedostane na žádný náš server, není tu ani externí zpracovatel, kterého by musela pokrývat smlouva. Jestli celý postup splňuje HIPAA, pořád závisí na tom, jak je zabezpečené samotné zařízení — a když potřebují stejnou poznámku otevřít a komentovat kolegové, praktičtější odpovědí je cloudová služba s podepsanou smlouvou.
Use Cases
- •Dokumentace konzultací s pacienty
- •Poznámky k lékařským zákrokům
- •Transkripce výzkumných rozhovorů
- •Záznamy telemedicínských sezení
- •Obsah pro klinické vzdělávání
Benefits
- ✓Žádné zásady sdílení dat, kterým byste museli věřit, protože se nic neodesílá
- ✓Vlastní slovník pro klinické termíny a názvy léků
- ✓Žádné zdravotní údaje neopouštějí zařízení, protože neexistuje cesta ven
- ✓Dvacetiminutová konzultace se na Macu s Apple Silicon přepíše výrazně do minuty
Právo
Advokáti používají Whisper Notes pro výpovědi, rozhovory s klienty a přípravu případů. Nahrávka zůstává na zařízení, takže si od ní nikdo z dodavatelů nedrží kopii. Vaše vlastní povinnosti to ale neřeší: jestli konkrétní postup splňuje pravidla mlčenlivosti ve vaší jurisdikci, pořád závisí na tom, jak se zachází se zařízením, s jeho zálohami a s jeho exporty.
Use Cases
- •Dokumentace rozhovorů s klienty
- •Transkripce výpovědí
- •Poznámky k rešerši případu
- •Záznamy soudních jednání
- •Vyšetřovací rozhovory
Benefits
- ✓Nedržíme žádnou kopii nahrávky ani přepisu
- ✓Vlastní slovník pro názvy případů a právní termíny
- ✓Přepisy s časovými značkami, exportované jako text, SRT, VTT nebo JSON
- ✓$7.99 na iPhonu nebo $14 na Macu, jednorázově, proti přepisu zadanému ven a účtovanému po minutách
Žurnalistika
Reportéři používají Whisper Notes pro rozhovory se zdroji a nahrávky v terénu. Zvuk nedrží žádný server, takže jediné kopie jsou na vašich vlastních zařízeních. Ochrana zdroje se tím přesouvá z našich retenčních pravidel, která si nemůžete ověřit, k zabezpečení vašeho vlastního zařízení, které si ověřit můžete. Pokud v redakci potřebuje na jednom přepisu pracovat několik lidí během živé akce, to je práce pro cloudový nástroj.
Use Cases
- •Transkripce rozhovorů se zdroji
- •Dokumentace nahrávek z terénu
- •Poznámky z tiskových konferencí
- •Archivy výzkumných rozhovorů
- •Produkce podcastů
Benefits
- ✓Ani nahrávka, ani přepis se nikam neodesílají
- ✓Funguje se zařízením offline, což je zároveň způsob, jak si to tvrzení ověřit
- ✓Žádný účet, takže žádná historie přihlášení, která by rozhovor spojila s vámi
- ✓Export do textu, SRT, VTT nebo JSON pro nástroje, které redakce už používá
Jak je rychlá a kde naráží?
Čísla, která jsme naměřili, a věci, které návrh vylučuje
Co jsme měřili a na čem
Rychlost závisí na stroji a na enginu, který si vyberete, takže jediný násobek pro „aplikaci“ by byl zavádějící. Následující čísla jsou naše vlastní běhy, reálný čas od spuštění po hotový text, na hardwaru, který uvádíme.
Parakeet V3, výchozí engine
Nahrávka schůzky dlouhá 17,5 minuty byla na našem M5 Air hotová za 16,7 sekundy — zhruba 60x reálný čas
25 evropských jazyků; náš vlastní běh, jeden stroj
Cesta přes Whisper Turbo
Whisper Large V3 Turbo je na stejné cestě blíž k 11násobku reálného času, což je cena za jeho 101 jazykových voleb
Naše vlastní běhy; Turbo je cesta se širokým pokrytím, ne ta rychlá
Starší a menší zařízení
iPhone se souborem prokousává pomaleji než Mac s Apple Silicon a rozdíl roste s věkem čipu. Dlouhé soubory doběhnou i tak, jen to úměrně déle trvá
iPhone 12 nebo novější, nebo Mac s Apple Silicon
Úložiště
Přepisy jsou drobné, zhruba 0,1MB na hodinu zvuku. Skutečné místo zaberou modely: Whisper Large V3 Turbo má zhruba 1,5GB, zbývající dva jsou menší
Parakeet V3 je součástí aplikace pro iPhone; ostatní modely se stahují uvnitř aplikace
Známá omezení
Spouštět modely na zařízení znamená tvrdé limity a ověřit si je jde snáz před nákupem než po něm. Přesně proto pokrývá bezplatný tarif na Macu 5 000 slov týdně.
Požadavky na zařízení
Vyžaduje iPhone 12 nebo novější, případně Mac s Apple Silicon. Staršímu hardwaru chybí výkon Neural Engine, aby to bylo použitelné.
Impact: Nekompatibilní se zařízeními staršími než 4-5 let
Doba zpracování
Doba zpracování roste s délkou nahrávky. Fyziku výpočtu na zařízení nelze obejít.
Impact: Při výše uvedených rychlostech jsou čtyři hodiny zvuku na Macu otázkou minut a na iPhonu déle
Závislost na kvalitě zvuku
Špatný zvuk nebo hlasitý hluk v pozadí snižují přesnost a model nedokáže vrátit informaci, která v signálu není.
Impact: Umístění mikrofonu a skákání do řeči posouvají chybovost víc než volba modelu
Žádné živé titulky
Aplikace přepisuje nahrávku až po jejím skončení, místo aby titulkovala, zatímco mluvíte. Živé titulky v této kvalitě potřebují třídu modelů, která se do telefonu nevejde, a zpracování celého souboru navíc dává modelu víc kontextu.
Impact: Pokud potřebujete titulky na obrazovce během akce, tohle je špatný nástroj
Jeden jazyk na nahrávku
Rychlé střídání jazyků uvnitř jedné nahrávky snižuje přesnost. Model funguje nejlépe, když jazyk zůstává celou dobu stejný.
Impact: Nejlepší výsledky s jedním hlavním jazykem na soubor
Závěr: Whisper Notes jako vaše offline AI transcription řešení
Offline AI transkripce - $7,99
Offline speech to text transkripce na zařízení. Zvuk nemá kam odejít.
Stáhnout pro iOSDostupné pro iOS 18+ a macOS 14+ na Apple Silicon. • $7.99 jednorázově • Žádná předplatná