A Whisper architektúrájának ábrája: a Transformer kódoló beolvassa a hang spektrogramját, a dekódoló megírja a szöveget

Whisper-átírás: teljes útmutató a hang szöveggé alakításához (2026)

2026. július 2.(frissítve: 2026. október 31.)
·
9 perces olvasmány
·Whisper Notes Team

A Whisper-átírás azt jelenti, hogy a beszédet az OpenAI Whisper modelljével alakítjuk szöveggé — ez egy nyílt forráskódú AI-modell, amely futtatható felhőben, szerveren vagy teljes egészében az Ön saját eszközén. Ez az útmutató bemutatja, hogyan működik a Whisper, melyik modellméretet érdemes választani, valójában mennyire pontos, és mi a leggyorsabb módja annak, hogy offline futtassa Macen vagy iPhone-on.

Mi is pontosan a Whisper?

A Whisper egy automatikus beszédfelismerő (ASR) modell, amelyet az OpenAI 2022 szeptemberében adott ki MIT licenc alatt. Encoder-decoder transformer, amelyet több mint 680 000 óra többnyelvű hanganyagon tanítottak; nagyjából 100 nyelven képes átírásra, plusz angolra fordításra.

Ami Önnek igazán számít: a modell súlyai nyíltak. A Google vagy az Amazon beszéd-API-jaival ellentétben a Whispernek nem kell más szerverén futnia. Egész ökoszisztéma épült a helyi futtatására — whisper.cpp, faster-whisper és natív alkalmazások, mint a Whisper Notes. Ez teszi lehetővé a valóban offline, privát átírást.

Használható a Whisper programozás nélkül? Igen: egy grafikus felületű alkalmazás letölti a Whisper-modellt, és helyben futtatja Ön helyett. Importál egy felvételt, és megkapja az átiratot Python, terminál és API-kulcs nélkül. A Whisper Notes ezt Macen és iPhone-on teszi, a MacWhisper Macen, a Buzz (ingyenes és nyílt forráskódú) pedig Windowson, Macen és Linuxon.

Whisper-modellméretek: melyiket érdemes használni

A Whisper hat fő méretben létezik. A nagyobb pontosabbat és lassabbat jelent:

Modell Paraméterek Sebesség Mire a legjobb
tiny 39M Leggyorsabb Gyors vázlatok, gyenge hardver
base 74M Nagyon gyors Egyszerű, tiszta hang
small 244M Gyors Jó sebesség/pontosság arány mobilon
medium 769M Közepes Ma már ritkán jó választás
large-v3 1.55B Leglassabb Maximális pontosság, nehéz hanganyag
large-v3-turbo 809M ~5x gyorsabb a large-v3-nál A legtöbb eszközben ez a verzió van

Szinte mindenkinek a large-v3-turbo a válasz: megtartja a large-v3 encoderét, de a decoder-rétegek számát 32-ről 4-re csökkenti, így a számítási igény töredékéért szinte azonos pontosságot ad. Részletesen bemértük itt: Whisper Large V3 Turbo vs V3.

Mennyire pontos a Whisper-átírás?

Tiszta angol hanganyagon a nagy modellek nagyjából 5–8%-os szóhibaarányt (WER) érnek el az Open ASR Leaderboardon. A pontosság romlik háttérzajnál, erős akcentusoknál, egymásba beszélésnél és kevés adattal rendelkező nyelveknél.

A Whisper egyik hírhedt hibája: hallucinációk csend közben. Az autoregresszív decoder néha ismétlődő mondatokat vagy feliratstáblistákat talál ki, amikor senki sem beszél. A saját, kifejezetten csendre kiélezett tesztjeinkben az NVIDIA Parakeet V3 egyetlen szót sem talált ki; ez az adott tesztre korlátozott eredmény, nem pedig annak állítása, hogy bármelyik beszédmodell tévedhetetlen lenne (teljes Parakeet V3 vs Whisper benchmark).

Kínai, japán és koreai nyelvhez nem a Whisper az egyetlen lehetőség: lásd SenseVoice vs Qwen3-ASR.

5 módszer a Whisper-átírás futtatására

Módszer Költség Adatvédelem Beállítás
OpenAI API Fizetés hangpercenként A hang feltöltésre kerül API-kulcs + kód
openai-whisper (referencia Python) Ingyenes 100% helyi Python-környezet, GPU ajánlott
whisper.cpp / faster-whisper Ingyenes 100% helyi Parancssor
Natív alkalmazás (Whisper Notes) $7.99 egyszer iPhone-on; $14 Macen, hetente 5 000 szó ingyen 100% az eszközön Nincs
Webes demóeszközök Ingyenes szintek A hang feltöltésre kerül Nincs

Az ökölszabály: ha a terminálban él, a faster-whisper kiváló. Ha terméket épít, az API az észszerű. Ha csak privátban szeretné átíratni a felvételeit anélkül, hogy Pythonhoz nyúlna, használjon natív alkalmazást — pontosan ezért léteznek a Whisper Mac-alkalmazások.

Szélesebb körben mérlegeli az offline eszközöket — Windows- és Android-lehetőségekkel együtt? Nézze meg a teljes offline beszéd-szöveg útmutatónkat.

Whisper vs újabb helyi modellek (2026)

A Whisper indította el a helyi átírás korszakát, de már nincs egyedül. Az alábbi sebességeket M4 Pro Macen mértük:

Modell Nyelvek Sebesség Erőssége
Whisper Large V3 Turbo 100+ 14,3x valós idő (M4 Pro) A legszélesebb nyelvi lefedettség
Parakeet V3 25 (európai) nagyjából 74× valós idő (Mac) 6,32% WER, nincs hallucináció csendnél
SenseVoice Small zh, ja, ko, yue, en 115–131x valós idő (modellkártya) A legjobb kínaihoz, japánhoz, koreaihoz

Mindhárom helyben fut a Whisper Notes-ban; iPhone-on a Whisper-opció a Whisper Small. A modellt Ön választja ki a Beállításokban. Az egyes modellek 42 nyelven mért hibaarányát egymás mellett a Whisper-modellek összehasonlító oldalán találja.

Így futtathatja a Whisper-átírást offline Macen és iPhone-on

Nincs parancssor, nincs Python, nincs felhő:

  1. Töltse le a Whisper Notes-t Macre (heti 5 000 szóig ingyenes) vagy iPhone-ra ($7.99 egyszer).
  2. Válasszon modellt: Whisper Large V3 Turbo a széles nyelvi lefedettséghez, Parakeet az angol sebességhez, SenseVoice a gyors kínai, japán és koreai átíráshoz, vagy Macen a Qwen3-ASR 1.7B (Beta), ha ezeken a nyelveken kevesebb hibát szeretne. Egyszer töltődik le, utána örökre működik offline.
  3. Rögzítsen közvetlenül, diktáljon rendszerszinten az Fn nyomva tartásával (a weboldalunkról letölthető Mac-változatban), vagy húzzon be hang- és videófájlokat (MP3, WAV, M4A, MP4).
  4. A szöveg feldolgozás közben folyamatosan érkezik. Exportálja TXT-ként vagy SRT-ként.

Kételkedik az „offline”-ban? Kapcsolja be előbb a repülőgép üzemmódot. Az átírás teljes sebességgel fut — soha semmi nem kerül feltöltésre.

Mennyire pontos a Whisper-átírás magyarul? Melyik modellt válassza?

A magyar egyike annak a 25 európai nyelvnek, amelyet a Parakeet V3 lefed — angolon átlagosan 6,32% WER-rel (Open ASR Leaderboard) és Macen nagyjából 74× valós idejű sebességgel. Ezért a Parakeet a Whisper Notes alapértelmezett modellje, és magyar felvételekhez ez a legjobb választás. A Whisper Large V3 Turbo (100+ nyelv, ~2 GB) jó tartalék nagyon nehéz hanganyaghoz vagy olyan nyelvekhez, amelyeket a Parakeet nem fed le. A Parakeet Macen és iPhone-on is teljesen offline fut; a Whisper Large V3 Turbo Macen érhető el, iPhone-on a Whisper Small a Whisper-opció.

Gyakran ismételt kérdések

Ingyenes a Whisper-átírás?

Maga a modell ingyenes és nyílt forráskódú (MIT licenc). A parancssori eszközökkel — például whisper.cpp — való futtatás nem kerül semmibe, de beállítást igényel. Az OpenAI API-ja hangpercenként számláz. A natív alkalmazások kis díjért csomagolják a modelleket — a Whisper Notes iPhone-on egyszeri $7.99, Macen egyszeri $14, és Macen hetente 5 000 szó ingyenes.

Futhat a Whisper-átírás offline?

Igen — pont ez a nyílt súlyok lényege. Ha a modellfájl már az eszközén van, nincs szükség internetre. A Whisper Notes a Whisper Large V3 Turbót Apple Siliconon futtatja CoreML/Metal segítségével, teljesen offline. Repülőgép üzemmóddal ellenőrizheti.

Melyik Whisper-modell a legpontosabb?

A large-v3 nyers pontossága a legjobb. A large-v3-turbo a WER-ben töredékszázalékon belül hozza ugyanazt, miközben körülbelül 5x gyorsabban fut — ezért építi be ma ennyi eszköz.

Támogatja a Whisper a nyelvemet?

A Whisper nagyjából 100 nyelvet fed le, a sok adattal rendelkezőkben a legerősebb (angol, spanyol, német, francia stb.). Kínaihoz, japánhoz, koreaihoz és kantonihoz a SenseVoice sokkal gyorsabb Apple Siliconon, Macen pedig a Qwen3-ASR 1.7B (Beta) hibázik kevesebbet; japánban és koreaiban a Whisper Large V3 Turbo megközelíti a SenseVoice-t, vagy jobb is nála. A Whisper által támogatott nyelvek teljes listája a nyelvi oldalunkon található, egy táblázatban a Parakeettel és a SenseVoice-szal.

Van Whisper-átíró alkalmazás iPhone-ra?

Igen. A Whisper Notes az iPhone Neural Engine-jére optimalizált Whisper-modelleket futtat (iPhone 12 és újabb) — rögzítsen, importáljon a Hangjegyzetekből vagy a Fájlokból, és írjon át mindent az eszközön $7.99-ért, előfizetés nélkül.