Puhe tekstiksi offline: parhaat Mac-, iPhone- ja Windows-sovellukset (2026)

Lyhyt vastaus: parhaat offline-litterointisovellukset alustoittain

Jos haluat vain vastauksen: Macilla ja iPhonella käytä Whisper Notesia. Siinä on Macilla viisi ja iPhonella kolme (iOS 26:ssa neljä) laitteella toimivaa puheentunnistusmoottoria sekä kertaostohinta: iPhonella $7.99 kertaostona (sama App Store -osto avaa myös Mac App Store -version), Macilla 5 000 sanaa viikossa ilmaiseksi ja sen jälkeen $14 kertaostona. Windowsilla käytä Buzzia tai faster-whisperiä (ilmaisia, avointa lähdekoodia). Androidilla vaihtoehtoja on vielä vähän, katso alustoja käsittelevä osio alempana. Kaikki taulukon työkalut toimivat 100 % offline:

Oppaan loppuosa perustelee mittaustuloksin, miksi paikallinen litterointi on parempi viiveen, hinnan ja yksityisyyden kannalta. Lisäksi se näyttää vaihe vaiheelta, miten ääni muutetaan tekstiksi ilman verkkoyhteyttä.

Viiveongelma

Pilvilitteroinnissa ketju kulkee näin: puhut, ääni ladataan palvelimelle, rajapinta käsittelee sen ja tulos palaa takaisin.

Paikallisessa litteroinnissa koko viive katoaa. Ääni ei koskaan lähde laitteeltasi, käsittely tapahtuu sirulla ja tulos näkyy heti. Ei latausta palvelimelle, ei odottelua eikä pyörivää ”käsitellään”-ilmaisinta.

Uusissa iPhoneissa ja Apple-sirullisissa Maceissa on erillinen Neural Engine -laitteisto koneoppimista varten. Paikallinen litterointi käyttää laitteistoa, jonka jo omistat, eikä sen tarvitse odottaa latausta ja etäpalvelimen vastausta.

Vuonna 2019 pilvilitterointi oli järkevää. Puhelin ei pystynyt ajamaan miljardin parametrin neuroverkkoa. Sitä rajoitetta ei enää ole. Macilla sisäänrakennettu Parakeet-malli litteroi noin 74 kertaa reaaliaikaa nopeammin, joten tunnin äänite on valmis alle minuutissa, eikä mitään lähetetä palvelimelle.

Pilvilitterointi on yhä järkevä valinta reaaliaikaiseen yhteistyöhön ja keskitettyihin työnkulkuihin. Yksityiselle äänitteelle, jota tarvitset vain itse, lataus palvelimelle on usein turha.

Olet jo maksanut sirusta

M-sarjan Macin tai uuden iPhonen Neural Engine on suurimman osan päivästä joutilaana, ja se pystyy ajamaan näitä malleja.

Maksoit sirusta, kun ostit laitteen. Kun tilaat palvelun, joka litteroi äänen jonkun toisen palvelimilla, maksat toiseen kertaan laskentatehosta, joka sinulla jo on.

Tämä kauppa oli järkevä silloin, kun paikallinen laskenta oli oikeasti mahdotonta. Nyt sitä on vaikeampi perustella.

Kolmessa vuodessa $10 kuukaudessa maksava tilaus tekee yhteensä $360. Whisper Notes maksaa iPhonella $7.99 kertaostona ja Macilla $14 kertaostona. Tilauksella saa käytännössä reaaliaikaiset tekstitykset ja yhteisen muokkauksen. Jos et tarvitse kumpaakaan, maksat laskentatehosta, jonka jo omistat.

Emme veloita tilausmaksua, koska emme ylläpidä palvelimia. Äänesi ei koskaan kulje infrastruktuurimme kautta. Kuukausittain ei ole mitään laskutettavaa.

Tietovuodot johtuvat arkkitehtuurista

Kun käytät pilvilitterointipalvelua, äänesi on tallessa jonkun toisen palvelimilla. Jokainen palvelin, joka tallentaa ääntä, voi myös vuotaa sen. Syy voi olla hyökkäys, virheelliset asetukset tai työntekijä, jolla on pääsy tietoihin. Vuotoja myös tapahtuu.

Äänidataan liittyy erityinen riski. Toisin kuin salasanaa, ääntäsi ei voi vaihtaa. Äänesi piirteet ovat pysyviä biometrisiä tunnisteita. Kun ne ovat kerran vuotaneet, ne ovat vaarantuneet lopullisesti. Hyökkääjät voivat käyttää äänitunnisteita tunnistautumisen ohittamiseen, identiteettivarkauksiin tai deepfake-väärennöksiin.

Ainoa tapa poistaa riski on jättää lähetys kokonaan pois. Ääni, jota ei ole koskaan lähetetty, ei voi vuotaa palvelimen tietomurrossa, ja siinä on koko perustelu.

Mieti, kuka nauhoittaa arkaluonteista ääntä:

• Asianajajat nauhoittavat asiakastapaamisia
• Terapeutit kirjaavat terapiaistuntoja
• Toimittajat suojaavat lähteitään
• Johtajat tallentavat strategiakeskusteluja
• Lääkärit kirjaavat potilaiden esitietoja

Näiden ammattilaisten on pystyttävä vastaamaan kysymykseen siitä, missä ääni säilytetään. Paikallinen litterointi ei ole mieltymys. Se on vaatimus.

Tarkkuus ja sen kompromissit

Missä paikallinen Whisper on parempi: sanatarkassa litteroinnissa. Jos tarvitset tarkan tallenteen siitä, mitä sanottiin, eli jokaisen sanan, jokaisen tauon ja jokaisen ”öö”-äännähdyksen, paikalliset Whisper-mallit ovat erinomaisia. Sanavirheprosentti on puhtaalla englanninkielisellä äänellä noin 5–8 % (Open ASR Leaderboard). Taustamelu ja aksentit nostavat sitä. Litterointi vastaa sitä, mitä todella sanottiin.

Mitä kielimalli tuo lisää: yhteenvedot ja tietojen poiminnan. Paikallinen malli, kuten Gemma, jota Whisper Notes ajaa verkkosivuiltamme ladattavassa Mac-sovelluksessa, osaa tehdä litteroinnista yhteenvedon ja tehtävälistan. Suuret pilvimallit päättelevät yhä paremmin pitkistä ja sekavista litteroinneista. Kun kahden tunnin kokouksesta pitää selvittää, mitä päätettiin, ne ovat vahvempi työkalu.

Kompromissi on todellinen. Jos työnkulkusi on ”litteroi → tee yhteenveto Claudella tai GPT:llä”, saat molempien parhaat puolet: tarkan paikallisen litteroinnin ja älykkään yhteenvedon pilvestä. Alkuperäinen ääni pysyy yksityisenä. Laitteeltasi lähtee vain teksti, jonka itse päätät jakaa.

Paikallinen tekoäly ei ratkaise työnkulun jokaista osaa. Puhemallit ovat hyviä litteroinnissa, ja kielimallit osaavat paremmin tiivistää ja päätellä tuloksen pohjalta. Pidä ääni laitteella ja valitse sen jälkeen paikallinen tai pilvessä toimiva kielimalli sen mukaan, kuinka arkaluonteinen teksti on.

Mitatut nopeudet

Mallin valinta vaikuttaa tulokseen enemmän kuin sana ”paikallinen” antaa ymmärtää. Whisper Notes ajaa kaikkia kolmea mallia Macilla ja iPhonella, ja moottorin valitset asetuksista. Parakeet on nopea oletusmalli englannille ja Euroopan kielille. SenseVoice on nopea vaihtoehto kiinalle, japanille, korealle ja kantoninkiinalle. Whisper Large-v3 Turbo (Mac) / Whisper Small (iPhone) kattaa laajimman valikoiman, yli 100 kieltä.

Menetelmä: Whisper Notes Apple M4 Pro -koneella, jossa on 32 GB RAM-muistia. Mittasimme todellisen kuluneen ajan litteroinnin aloittamisesta valmiiseen tekstiin. Parakeetin testissä käytettiin 35 minuutin äänitettä. SenseVoicella ja Whisperillä litteroitiin sama 27 minuutin kiinankielinen podcast. Nämä ovat tuotetestejä, eivät pilvipalveluiden välisiä vertailutestejä. 27 minuutin podcast-testi ajettiin sovelluksen aiemmalla versiolla. SenseVoicen mallikortissa nopeus on nykyään 115–131× reaaliaikainen, eli suunnilleen sama.

Nykyisessä App Store -kuvauksessa kerrotaan myös, että iPhone 15 litteroi 5 minuutin äänitteen Parakeetilla noin 18 sekunnissa ja Whisperillä noin minuutissa. Vanhemmat laitteet ovat hitaampia. Litterointi toimii joka tapauksessa myös lentokonetilassa, koska mitään ei ladata palvelimelle.

Näin muutat äänen tekstiksi offline (vaihe vaiheelta)

Macilla:

1. Lataa Whisper Notes Macille (5 000 sanaa viikossa ilmaiseksi, tiliä ei tarvita).
2. Valitse malli kohdassa Asetukset: Parakeet nopeaan englannin litterointiin, SenseVoice nopeaan kiinan, japanin, korean tai kantoninkiinan litterointiin (Macilla Qwen3-ASR 1.7B tekee niissä vähemmän virheitä) ja Whisper Large V3 Turbo yli 100 kielelle. Parakeet tulee sovelluksen mukana; muut mallit ladataan kerran, minkä jälkeen ne toimivat ilman verkkoyhteyttä.
3. Nauhoita suoraan tai vedä sovellukseen mikä tahansa ääni- tai videotiedosto (MP3, WAV, M4A, MP4).
4. Ota verkkokokouksia varten kokouksen tunnistus käyttöön. Zoom, Teams ja Google Meet tunnistetaan automaattisesti. Järjestelmän ääni ja mikrofoni tallennetaan yhdessä, ja litterointi tehdään Macilla.
5. Teksti ilmestyy näkyviin käsittelyn edetessä. Vie se TXT-, SRT- tai VTT-muodossa tai kopioi minne tahansa. Tuotu video avautuu tekstitysnäkymään, jossa voit esikatsella ja muokata tekstityksiä ennen vientiä.

iPhonella: asenna Whisper Notes App Storesta, nauhoita tai tuo äänitteitä Sanelin- ja Tiedostot-sovelluksista, ja litterointi tapahtuu A-sarjan sirulla. Kytke lentokonetila ensin päälle, jos haluat varmistaa, ettei mitään lähetetä. Automatisointia varten Pikakomennot-sovelluksessa on Transcribe Audio -toiminto, joka ottaa äänitiedoston ja palauttaa tekstin.

Miten rakensimme sen

Whisper Notes on tapamme toteuttaa nämä periaatteet. Muutama ratkaisu kannattaa mainita erikseen:

Lukitusnäytön widgetit

Parhaat ajatukset tulevat hankalilla hetkillä. Teimme lukitusnäytön widgetit, joissa yksi napautus lukitusnäytöltä avaa sovelluksen ja aloittaa nauhoituksen ilman verkkoyhteyttä. Yhteyttä ei tarkisteta. Koska käsittely on paikallista, sovellus on heti käytettävissä.

Laitteistoon sovitetut mallit

Maceissa on lämpövaraa ja runsaasti virtaa. iPhone kulkee taskussa. Molemmissa toimivat samat kolme malliperhettä (lisäksi Apple Speech iOS 26:ssa ja macOS 26:ssa): sisäänrakennettu Parakeet-malli (oletus; Moondreamin Parakeet Ultra, joka on jatkokoulutettu NVIDIAn Parakeet V3:n pohjalta), Whisper Large-v3 Turbo (809 milj. parametria, Mac) / Whisper Small (iPhone) ja SenseVoice. Jokainen on viritetty omalle laitteistolleen. Yksityisyys on sama, ja resursseja käytetään laitteen mukaan.

Omat tiedot, omat tiedostot

Litteroinnit ovat tiedostoja laitteellasi. Macilla jokainen litterointi tallennetaan Markdown-tiedostona (.md) äänitteen viereen, ja tiedoston alussa on YAML-otsake (päivämäärä, lähde, kesto). Kansion valitset itse. Jos valitset kansioksi Obsidian-holvin, jokaisesta äänitteestä tulee muistiinpano. Ei suljettua tietokantaa, ei sidontaa yhteen toimittajaan. Jos Whisper Notes katoaisi huomenna, äänitteesi olisivat edelleen käytettävissä. Joukkovienti kuuluu mukaan, koska tiedostot ovat sinun.

Oma sanasto

Ammattisanasto, harvinaiset nimet ja alan termit vaativat eniten tarkkaa litterointia. Usein juuri niitä haluaisi vähiten lähettää palvelimelle. Alkukehotteilla voit antaa mallille asiayhteyttä paikallisesti. Malli mukautuu, eikä terminologiastasi tule koulutusdataa.

iPhonella nimet ja termit kirjoitetaan alkukehotekenttään. Ne ohjaavat mallia, eivätkä ne lähde laitteelta.

Milloin pilvi toimii paremmin?

Emme väitä, että paikallinen litterointi olisi aina parempi. Pilvellä on todellisia etuja:

Reaaliaikainen tiimityö. Kun viisi ihmistä muokkaa litterointia yhtä aikaa kokouksen aikana, tarvitaan palvelin koordinoimaan muutoksia. Paikalliset työkalut ovat luonteeltaan yhden käyttäjän työkaluja.

Puhujien tunnistus suuressa mittakaavassa. Laitteella toimiva puhujien tunnistus on jo saatavilla: Whisper Notes merkitsee nyt, kuka sanoi mitä, kokonaan laitteella sekä iPhonella että Macilla. Pilvessä tehtävällä puhujien tunnistuksella (diarisointi) on yhä etu hyvin suurissa ryhmissä ja silloin, kun puhe menee paljon päällekkäin. Kahdenkeskisissä haastatteluissa ja pienissä kokouksissa laitteella tehdyt puhujamerkinnät ovat riittävän tarkkoja käyttöön (lausetason tarkkuus 99,1 % kahden puhujan testissämme).

Työnkulkujen automatisointi. Pilvipalvelut kytkeytyvät CRM-järjestelmiin, poimivat tehtäviä ja lähettävät yhteenvetoja Slackiin. Paikalliset työkalut tuottavat tekstitiedostoja, ja niiden jatkokäsittely on sinun päätettävissäsi.

Vanhempi laitteisto. A14-sirua vanhemmilla iPhoneilla ja Intel-Maceilla paikallinen laskenta ei ole käytännössä mahdollista. Niille pilvi on ainoa vaihtoehto.

Jos tärkein tarpeesi on tiimityö reaaliaikaisissa kokouksissa, pilvityökalut ovat todennäköisesti parempia. Jos litteroit enimmäkseen omia äänitteitäsi ja yksityisyys on tärkeää, paikallinen käsittely sopii paremmin.

Kehityksen suunta

Jokainen sirusukupolvi tuo Neural Engineen lisää suorituskykyä. Jokainen malliversio on tehokkaampi kuin edellinen. Ero paikallisen ja pilven välillä kapenee, ja yksityisyyden ja viiveen edut pysyvät ennallaan.

Pilvilitterointi oli järkevää silloin, kun puhelimet eivät pystyneet ajamaan malleja. Noin vuodesta 2022 lähtien ne ovat pystyneet.

Paikallinen litterointi toimii nyt Applen laitteilla. Tilauksesta maksamiselle jää kaksi syytä: reaaliaikaiset tekstitykset ja yhteinen muokkaus. Jos kumpikaan ei ole listallasi, kolmatta syytä ei ole.

Tekniset tiedot

Puhe tekstiksi offline Windowsilla ja Androidilla

Whisper Notes on tehty Apple-siruille, joten se toimii vain Macilla ja iPhonella. Muilla alustoilla vaihtoehdot ovat tällä hetkellä nämä:

Windows: Whisper Notes toimii vain Macilla ja iPhonella, joten parhaat ilmaiset vaihtoehdot ovat Buzz (yksinkertainen graafinen käyttöliittymä Whisperille) ja faster-whisper (komentorivityökalu, joka on samalla laitteistolla monta kertaa alkuperäistä toteutusta nopeampi). Molemmat toimivat täysin ilman verkkoyhteyttä, kun malli on ladattu. Käyttöönotto on työläämpää kuin natiivisovelluksessa: tarvitaan Python-ympäristö, mallitiedostot ja nopeutta haluttaessa näytönohjaimen ajurit.

Android: whisper.cpp:stä on Android-versioita ja muutama sen päälle rakennettu sovellus, mutta laatu ja ylläpito vaihtelevat. Androidille ei vielä ole viimeisteltyä, laajasti käytettyä offline-litterointisovellusta. Tämänhetkinen tilanne on kerrottu sivulla Whisper Notes Androidille.

Moni, joka hakee ”Whisper Notes Windows”, haluaa saman offline-toiminnan ja kertaostomallin PC:lle. Emme tee sellaista, ja sanomme sen mieluummin suoraan kuin jätämme kysymyksen auki (koko selitys on sivulla Whisper Notes Windowsille). Applen Neural Engine mahdollistaa nykyään paikallisen litteroinnin, joka on 100 kertaa reaaliaikaa nopeampi.

Puheen kääntäminen offline: mitä paikallinen tekoäly osaa ja mitä ei?

Usein kysytään myös, voiko paikallinen tekoäly kääntää puhetta eikä vain litteroida sitä. Osittain. Alkuperäinen Whisper Large V3 -malli koulutettiin kahteen tehtävään: litterointiin ja kääntämiseen mistä tahansa kielestä englanniksi. Paikallisesti ajettuna se voi muuttaa ranskan-, japanin- tai arabiankielisen äänen englanninkieliseksi tekstiksi täysin ilman verkkoyhteyttä. Varauksia on kaksi. Se kääntää vain englanniksi, ei toiseen suuntaan. Lisäksi tämä koskee vain täyttä Large V3 -mallia: nopeammasta Large-v3 Turbo -versiosta käännöstehtävä jätettiin pois, jotta se keskittyisi litterointiin.

Puheen kääntäminen ilman verkkoyhteyttä on vielä alkuvaiheessa. Laajasti käytettyä kuluttajasovellusta, joka vastaisi pilvipalveluiden reaaliaikaista puheesta puheeksi -käännöstä ja toimisi silti täysin offline, ei vielä ole. Käytännössä työnkulussa on nyt kaksi vaihetta: litteroi paikallisesti ja käännä syntynyt teksti työkalulla, johon luotat. Alkuperäisen äänen ei tarvitse missään vaiheessa lähteä laitteeltasi.

Usein kysytyt kysymykset

Lataa iOS:lle Lataa ilmaiseksi Macille