ऑफलाइन ट्रांसक्रिप्शन
यह आखिरकार क्यों काम करता है
सालों तक, लोकल ट्रांसक्रिप्शन का मतलब था धीमा और बुरा। यह बदल गया है।
थोड़ा संदर्भ
कुछ साल पहले, अगर आप सटीक ट्रांसक्रिप्शन चाहते थे, तो आपको अपना ऑडियो किसी के सर्वर पर अपलोड करना पड़ता था। लोकल विकल्प मौजूद थे, लेकिन वे स्पष्ट रूप से खराब थे। समझौता असली था।
फिर कुछ चीजें हुईं। OpenAI ने Whisper को ओपन मॉडल के रूप में रिलीज़ किया। Apple ने डेडिकेटेड AI हार्डवेयर वाले चिप्स भेजना शुरू किया। अचानक वही मॉडल जो क्लाउड सर्विसेज चलाते थे, लैपटॉप पर चल सकते थे।
हमने उस समय Whisper Notes बनाना शुरू किया, मुख्य रूप से क्योंकि हमें खुद इसकी जरूरत थी। पता चला कि बहुत से लोग वही चीज़ ढूंढ रहे थे।
क्या बदला
तीन चीजें क्लाउड ट्रांसक्रिप्शन को स्पष्ट विकल्प बनाती थीं। तीनों बदल गई हैं।
कंप्यूटिंग पावर
ट्रांसक्रिप्शन करने वाले AI मॉडल बड़े हैं—सैकड़ों मिलियन पैरामीटर। उन्हें चलाना कंज्यूमर हार्डवेयर पर धीमा और बैटरी खत्म करने वाला था।
Apple के Neural Engine ने यह बदल दिया। यह AI वर्कलोड के लिए एक डेडिकेटेड चिप है, और यह हर M-series Mac और हाल के iPhone में है। Whisper Large v3 Turbo अब MacBook Air पर आराम से चलता है।
फोन पर, हम मोबाइल चिप्स के लिए ऑप्टिमाइज़्ड छोटे मॉडल्स का उपयोग करते हैं। वे बड़े मॉडल जितने सटीक नहीं हैं, लेकिन फिर भी ज्यादातर बिल्ट-इन डिक्टेशन से बेहतर हैं।
सटीकता
इसने हमें चौंका दिया। हमें उम्मीद थी कि लोकल मॉडल "काफी अच्छे" होंगे। वे वास्तव में काफी अच्छे हैं।
Whisper Large v3 में ज्यादातर सिस्टम डिक्टेशन से कम वर्ड एरर रेट है। और लोकल और क्लाउड APIs के बीच का अंतर काफी छोटा हो गया है। ज्यादातर यूज केसेस के लिए, आप शायद अंतर नहीं देखेंगे।
यह कैलकुलेशन बदल देता है। अगर सटीकता तुलनीय है, तो ऑडियो अपलोड करने का मुख्य कारण गायब हो जाता है।
प्राइवेसी
हम यहां आपको क्लाउड सर्विसेज से डराने के लिए नहीं हैं। ज्यादातर डेटा को जिम्मेदारी से संभालती हैं।
लेकिन "वे वादा करते हैं कि गलत इस्तेमाल नहीं करेंगे" और "उनके पास कभी था ही नहीं" में फर्क है। आपकी आवाज़ बायोमेट्रिक है—पासवर्ड के विपरीत, अगर कुछ गलत हो जाए तो आप इसे बदल नहीं सकते।
लोकल ट्रांसक्रिप्शन के साथ, आपका ऑडियो आपके डिवाइस पर रहता है। एन्क्रिप्टेड-फिर-अपलोडेड नहीं। बस... रहता है। कुछ लोगों के लिए यह बहुत मायने रखता है। दूसरों के लिए, शायद नहीं। हमने पहले ग्रुप के लिए बनाया।
कब क्या इस्तेमाल करें
लोकल हमेशा सही विकल्प नहीं है। हम इसके बारे में ऐसे सोचते हैं।
रियल-टाइम कोलैबोरेशन चाहिए?
Otter जैसे क्लाउड टूल्स इसके लिए बने हैं। एक ही ट्रांसक्रिप्ट को एडिट करने वाले कई लोगों को सेंट्रल सर्वर चाहिए। यह क्लाउड का अच्छा उपयोग है।
Windows या Android पर हैं?
उन प्लेटफॉर्म्स पर लोकल AI मुश्किल है—हार्डवेयर सपोर्ट अभी परिपक्व नहीं है। Dragon Windows के लिए काम करता है। Android पर, क्लाउड सर्विसेज आमतौर पर प्रैक्टिकल चॉइस हैं।
किसने क्या कहा जानना है?
स्पीकर आइडेंटिफिकेशन (डायराइज़ेशन) के लिए अतिरिक्त मॉडल्स चाहिए। Rev जैसी क्लाउड सर्विसेज इसे अच्छे से हैंडल करती हैं। लोकल टूल्स पकड़ रहे हैं, लेकिन यह अभी भी एक ऐसा क्षेत्र है जहां क्लाउड का फायदा है।
बस प्राइवेट, सटीक ट्रांसक्रिप्शन चाहिए?
हमने इस पर फोकस किया। अगर आपकी मुख्य चिंताएं प्राइवेसी और सटीकता हैं, और आप Apple हार्डवेयर पर हैं, लोकल अब अच्छा काम करता है।
Whisper Notes क्या करता है
यह आपके Mac पर Whisper Large v3 Turbo चलाता है, या आपके iPhone पर एक छोटा ऑप्टिमाइज़्ड मॉडल। आपका ऑडियो कभी डिवाइस नहीं छोड़ता।
Mac पर, ट्रांसक्रिप्शन Neural Engine का उपयोग करके रियल-टाइम स्पीड से लगभग 10-15 गुना तेज चलता है। एक घंटे की रिकॉर्डिंग में कुछ मिनट लगते हैं। iPhone पर यह धीमा है, लेकिन ज्यादातर रिकॉर्डिंग्स के लिए प्रैक्टिकल।
दोनों प्लेटफॉर्म्स के लिए एक बार $4.99। हम सर्वर नहीं चलाते, इसलिए हमें सब्सक्रिप्शन की जरूरत नहीं। बस इतना ही।
Whisper Notes पाएंसंक्षेप में
लोकल ट्रांसक्रिप्शन पहले एक समझौता था। अब यह बहुत से लोगों के लिए एक उचित डिफॉल्ट है।
अगर आपको कोलैबोरेशन चाहिए या नॉन-Apple प्लेटफॉर्म्स पर काम करते हैं, क्लाउड सर्विसेज अभी भी समझ में आती हैं। अगर आप मुख्य रूप से Mac या iPhone पर सटीक, प्राइवेट ट्रांसक्रिप्शन चाहते हैं, लोकल ऑप्शन काफी अच्छा हो गया है।
हम खुद हर दिन Whisper Notes इस्तेमाल करते हैं। यह वही करता है जो हमें चाहिए था।
ट्राई करें
आप एयरप्लेन मोड में टेस्ट कर सकते हैं अगर आप वेरिफाई करना चाहते हैं कि कुछ भी अपलोड नहीं होता। सब कुछ वैसे ही काम करता है।
App Store • $4.99 • Mac और iPhone
एक परचेस दोनों प्लेटफॉर्म्स को कवर करता है।