A felvétele nem hagyja el az eszközt
A legtöbb „Whisper” nevű alkalmazás szerverre küldi a hangot, és ott futtatja a modellt. A Whisper Notes az Ön iPhone-ján vagy Macjén futtatja. Így nehezebb megépíteni az alkalmazást, de sokkal egyszerűbb elmagyarázni, mi történik a hanggal.
Miért az eszközön fut a modell?
Minden átíró alkalmazásnak meg kell hoznia egy döntést, mielőtt bármi mást eldöntene: hol dolgozzák fel a hangot. Szerverre küldeni egyszerűbb, és így a legnagyobb modellek is elérhetők, amelyek még mindig valamivel pontosabbak. A modellt a telefonon vagy a laptopon futtatni nehezebb, cserébe a felvételnek nincs hová kerülnie.
Mi a második utat választottuk, és ennek konkrétabb oka van, mint egy adatvédelmi szlogen. A hangfelvétel biometrikus adat, és a jelszóval ellentétben kiszivárgás után nem lehet lecserélni. Amint a hang valaki más infrastruktúráján van, onnantól az üzemeltető biztonsági előélete, adatmegőrzési szabályzata és a feltételeinek a modelltanításról szóló része is számít. Erre a háromra addig kell figyelnie, amíg a fájl létezik.
A Whisper Notes a Whisper Large V3 Turbo, a Parakeet vagy a SenseVoice modellt az eszköze saját chipjén futtatja, így a folyamatban sehol sincs átírószerver. Semmi sem vár sorban, semmi sem töltődik fel, és az alkalmazás repülőgép-üzemmódban ugyanúgy működik, mint wifin. Ez utóbbit ne csak higgye el nekünk, próbálja ki saját maga.
Mibe kerül egy ingyenes Whisper alkalmazás?
Az ingyenes átíró eszközök többnyire ugyanúgy működnek: a hang szerverre kerül, ott fut rajta a modell, és a felvétel addig marad ott, ameddig hasznos annak, aki a szolgáltatást üzemelteti. Sokaknak ez elfogadható alku. Csak érdemes tudnia, hogy ezt az alkut köti meg.
Miért más egy hangfelvétel, mint egy jelszó?
Egy kiszivárgott jelszó egy délutánnyi bosszúságot jelent, mert meg lehet változtatni. A hangjáról készült kiszivárgott felvétel viszont végleges, mert ami azonosítja Önt, az maga a hang, és már néhány másodpercnyi is elég akusztikus jellegzetességet hordoz ahhoz, hogy egészen máshol is felismerjék.
Az utóbbi időben az változott, hogy milyen kevés hang kell egy támadónak. Egy hang meggyőző klónozásához ma már percek helyett néhány másodpercnyi minta is elég, és 2025-ben az olasz védelmi miniszter klónozott hangjával próbáltak csalást elkövetni több üzletember ellen. Nem állítjuk, hogy ez valószínűleg Önnel is megtörténik. Csak arra mutatunk rá, hogy ez az egyetlen olyan adattípus, amelyet kiszivárgás után nem lehet lecserélni.
Amikor tehát a hang egy átíró szolgáltatáshoz kerül, nem egy dokumentumot tárolnak, hanem biometrikus adatot, olyan infrastruktúrán, amelynek adatmegőrzési szabályait nem Ön szabja meg.
Hogyan szivárognak ki valójában az átírási adatok?
Ritkán látványos betörésről van szó. Inkább arról, hogy a hang és az átirat több rendszeren halad át, mint amennyit bárki felrajzolt az ábrára: az átíró szolgáltatón, a mögötte álló modellszolgáltatón, egy naplózó rétegen, egy analitikai rendszeren, egy biztonsági mentésen. Mindegyik olyan pont, ahol egy hibás beállítás nyilvánossá teszi azt, ami privát volt. Minél több ilyen pont van, annál kevésbé tudja bárki biztosan megmondani, hol van éppen egy adott felvétel.
A legvilágosabb példák az egészségügyből jönnek: védett egészségügyi adatok kerültek nyilvánosságra átírási integrációkon és rosszul beállított tárhelyeken keresztül, nem pedig olyasmi miatt, amit bárki támadásnak nevezne. A telefonos ügyfélszolgálatok egy másik példát adtak: az átiratok egy modellhez áramlottak, miközben a számlaszámok maszkolás nélkül kerültek a hibakeresési naplókba.
Ebből nem az következik, hogy a felhős átírás felelőtlenség. Az következik, hogy azt kell megszámolni, hány rendszer őriz másolatot, és az eszközön végzett feldolgozással ez a szám egy.
Merre tart ez az egész?
2025 márciusában az Amazon megszüntette az Echo eszközökön a „Ne küldjön hangfelvételeket” beállítást. Minden, amit az Alexának mondanak, most az Amazon szervereire kerül, és már nincs kapcsoló, amellyel ezt ki lehetne kapcsolni.
Ha egy termékből eltűnik egy kapcsoló, az még nem trend, de a mögötte álló ösztönző tartós: a tanítóadat értékes, és egy kapcsoló, amely csökkenti, mennyi gyűlik belőle, állandó üzleti nyomás alatt áll. Egy adatvédelmi beállítás olyan ígéret, amelyet egy kiadási megjegyzésben vissza lehet vonni.
A Whisper Notesban nincs ilyen kapcsoló, így nincs mit utólag megváltoztatni. Nincs szerver, ahová a hangot küldeni lehetne, ezért nálunk a „ne küldje el” nem egy beállítás, amelyet tiszteletben tartunk, hanem egyszerűen annak leírása, mire képes az alkalmazás.
Mibe kerülnek az ingyenes eszközök három év alatt?
Az ingyenes webes eszközök általában fenntartják maguknak a jogot, hogy az Ön hangjával fejlesszék a modelljeiket, és ezt olyan feltételekben közlik, amelyeket szinte senki sem olvas el. A percdíjas API-k olcsónak tűnnek, percenként $0.006 és $0.40 között; heti egy órával ez évente nagyjából $20 a legolcsóbbnál, és több mint $1 200 a legdrágábbnál. Az előfizetéses szolgáltatások ugyanennek az alkunak az őszinte változatai: az Otter évente nagyjából $99-t kér, és ezt meg is mondja.
A Whisper Notes az App Store-ban $7.99, a weboldalunkról letölthető Mac-app pedig $14, és mindkettőt egyszer kell kifizetni. Az alábbi táblázat a teljes árazási érv, a lényeg pedig a negyedik sorban van: az ingyenes és az egyszer fizetős megoldás három év alatt nagyjából ugyanannyiba kerül, a különbség az, hogy mi történik a felvétellel.
Költség évente
| Szolgáltatás típusa | 1. év | 2. év | 3. év | Adatkezelés |
|---|---|---|---|---|
| Whisper Notes | $7.99 | $0 | $0 | Soha nem hagyja el az eszközt |
| Előfizetéses szolgáltatás | $99 | $99 | $99 | Felhőben feldolgozva |
| Percdíjas felhős API | $20–1 250 | $20–1 250 | $20–1 250 | Felhőben feldolgozva |
| „Ingyenes” webes eszközök | $0 | $0 | $0 | AI-tanításra használhatják |
Mikor érdemes inkább felhőszolgáltatást választani?
Tiszta felvételen a nagy felhőmodellek még mindig valamivel pontosabbak, mert olyan méretben futnak, amelyet egyetlen telefon vagy laptop sem bír el. Ez valódi előny, és nem teszünk úgy, mintha nem létezne.
Ha élő feliratra van szüksége, ha többeknek kell ugyanazt az átiratot szerkeszteniük, miközben a megbeszélés még tart, vagy ha a pontosság utolsó töredéke többet számít Önnek annál, hogy hol marad a hanganyag, akkor a felhőszolgáltatás a jobb eszköz, és inkább azt használja.
Egyetlen dolognak mondanánk ellent: annak, hogy ez a pontosságkülönbség legyen az egyetlen szám a döntésben. Titoktartás alá eső munkánál – betegdokumentáció, ügyvédi titok alá eső iratok, forrásokkal készült interjúk – a „hová kerül a hanganyag?” olyan kérdés, amelyre tudnia kell felelni, és a legrövidebb védhető válasz az, hogy sehová sem került.
Böngészős eszköz, felhős API vagy natív alkalmazás?
Ha Whisper alkalmazást keres, három egészen különböző dolgot talál ugyanazzal a névvel: weboldalakat, amelyek a böngészőlapon futtatják a modellt, API-kat, amelyek valaki más szerverén futtatják, és alkalmazásokat, amelyeket a kezében lévő eszközre fordítottak. Annyira másként viselkednek, hogy a kategória többet számít, mint a funkciólista.
Böngészős eszközök
Ha egy böngészős eszköz azt mondja, hogy helyben dolgozik, az többnyire igaz: a hang a böngészőlapon marad. A korlátok nem az őszinteségen múlnak, hanem azon, mire képes egy böngészőlap. A WebAssembly memóriája a legtöbb böngészőben nagyjából 4 GB-nál megáll, ez felső határt szab a modell méretének, és a JavaScripten át futó modell olyan sebességet veszít, amelyet a natív kód nem.
A gyakorlatban egy szűkebb és bosszantóbb korláttal találkozik az ember. A böngészős eszköz nem dolgozik tovább, amíg Ön másik alkalmazásra vált, a hardveres gyorsítást csak nehézkesen éri el, ha egyáltalán eléri, és ha véletlenül bezárja a lapot, a folyamatban lévő átírás elvész, és nincs honnan folytatni. Egy modell kipróbálására ez rendben van, a mindennapi munkához viszont frusztráló.
| Feldolgozás | WebAssembly/TensorFlow.js a böngészőben |
| Modellméret | A böngésző memóriája korlátozza (~4 GB) |
| Sebesség | Lassabb a JavaScript többletterhelése miatt |
| Adatvédelem | Jobb, mint a felhő, de a böngésző hozzáfér |
| Megbízhatóság | A lap összeomolhat, nincs háttérfeldolgozás |
Natív alkalmazások
A Whisper Notes macOS-re és iOS-re fordított alkalmazás, amely a modelljeit közvetlenül az Apple siliconon futtatja. Csak ezért lehetségesek az oldalon szereplő sebességek: Macen a beépített Parakeet modell nagyjából a valós idő 74-szeresével fut, egy óra hang egy percen belül elkészül.
A különbség többi része kevésbé látványos, de a mindennapokban többet számít. Macen az átírás akkor is folytatódik, ha másik alkalmazásra vált, megszakítás után az alkalmazás gond nélkül folytatja a munkát, a rendszer sandboxa pedig elzárja más alkalmazások adataitól. A hangnak és az átiratnak nincs feltöltési útja. Ezt körülbelül fél perc alatt ellenőrizheti: kapcsolja be a repülőgép-üzemmódot, és írasson át egy fájlt.
| Feldolgozás | Közvetlenül az Apple siliconon fut |
| Modellméret | Whisper Large V3 Turbo, nagyjából 2 GB |
| Sebesség | Parakeet: Macen nagyjából a valós idő 74-szerese |
| Adatvédelem | A hang és az átiratok az eszközön maradnak |
| Megbízhatóság | Offline is működik, illeszkedik a rendszerhez |
Felhős API-k
A szerver erőforrásai gyakorlatilag korlátlanok, így egy felhős API a legnagyobb modelleket is futtathatja, és olyasmit is kínálhat, amihez komoly számítási teljesítmény kell, például élő feliratozást. Tiszta felvételen ez lesz a legpontosabb lehetőség az oldalon szereplők közül.
Cserébe nem tudja, hol van a felvétel. Átmegy az interneten, olyan helyen dolgozzák fel, amelyet nem Ön üzemeltet, és olyan szabályzat szerint őrzik meg, amelyet nem Ön írt, és amelyet az Ön megkérdezése nélkül módosíthatnak.
Titoktartásra kötelezett terapeutánál, ügyvédi titok alá eső iratokkal dolgozó ügyvédnél vagy forrását védő újságírónál az értékelés általában itt véget ér. Nem azért, mert a pontosság rosszabb, hanem mert arra a kérdésre, hogy „meg tudja mondani, hol van most ez a felvétel?”, nincs jó válasz.
| Feldolgozás | Távoli szerverek (korlátlan számítási kapacitás) |
| Modellméret | A legnagyobb elérhető modellek |
| Sebesség | Az internettől és a szerver várakozási sorától függ |
| Adatvédelem | A hang feltöltődik, és tárolhatják |
| Megbízhatóság | Internet kell hozzá, és kéréskorlátok vannak |
Mit adtunk fel azért, hogy így építsük?
Csak natív alkalmazással lehetett elérni, hogy az adatvédelem a felépítésből következzen, ne egy szerződésből. A „helyben feldolgozva, aztán szinkronizálva” és az „átvitel közben titkosítva” egyaránt igaz lehet olyan rendszerekre, amelyekben végül mégis van másolat a hangjáról. Mi azt a változatot akartuk, amelyben másolat egyáltalán nem keletkezik.
Ennek az ára a funkciókban jelentkezik. A felvételeket nem feliratozza szóról szóra, beszéd közben: élő átirat néhány másodpercen belül mutatja a szavakat, amikor iPhone-on rögzít vagy Macen megbeszélést vesz fel, de csak a Parakeet által lefedett 25 európai nyelven; más nyelveken a Mac panelje nagyjából 30 másodpercenként frissül. Nem tudunk nagyobb modellt futtatni, mint amekkorát az eszköze elbír. És nem tudunk közös szerkesztést vagy csapatmunkaterületet kínálni, mert ehhez szerver kellene, nekünk pedig nincs.
Ha e három közül bármelyikre szüksége van, ez nem az Önnek való alkalmazás, és valamelyik felhőszolgáltatás a jó választás. Inkább itt mondjuk ki, mint hogy a vásárlás után derüljön ki.
Melyik modell végzi a munkát?
Milyen motorok vannak, és hogyan válasszon közülük
Műszaki adatok
| AI-modellek | Parakeet (alapértelmezett), Whisper Small, SenseVoice Small, Apple Speech (iOS 26, macOS 26); Macen emellett Whisper Large V3 Turbo és Qwen3-ASR 1.7B (Beta) |
| Nyelvek | 100 nyelv a Whisperrel, 25 európai a Parakeettel, 6 a SenseVoice-szal, 30 a Qwen3-ASR-rel (Mac) |
| Hangformátumok | MP3, WAV, M4A, FLAC, AAC |
| Feldolgozási sebesség | Parakeet: Macen nagyjából a valós idő 74-szerese; a Whisper Turbo nagyjából 2,7-szerese |
| Időkorlát és díjak | Fájlonként akár 24 óra, percdíj nélkül |
| Platformok | iOS 18+ (iPhone 12+), macOS 14+ (Apple Silicon) |
Mire képes valójában?
A napi használat nagy része három dologról szól: hogyan kerül be a hang, hogyan jön ki a szöveg, és mi tartja mindkettőt az eszközön.
Fájlimportálás, akár több fájl egyszerre
Bármilyen forrásból importálhat hangfájlt, és az alkalmazás internet nélkül írja át. A teljes fájlt egyben dolgozza fel, nem folyamatos adatfolyamként, így a modell a teljes kontextust felhasználhatja, ami pontosabb eredményt ad.
- ✓Importálás a Fájlokból, a Diktafonból vagy bármelyik alkalmazásból, amely hangot oszt meg
- ✓Több fájlt is kijelölhet vagy behúzhat egyszerre, és az alkalmazás egymás után írja át őket
- ✓Automatikus rendezés dátum és forrás szerint
Exportformátumok
Többféle kimeneti formátum különböző szakmai munkafolyamatokhoz.
- ✓Egyszerű szöveg bekezdésekre tagolva
- ✓SRT- és VTT-feliratfájl videóhoz
- ✓Időbélyeges átirat a visszakereséshez
- ✓Beszélőcímkék több résztvevős felvételekhez
- ✓Állítható bekezdéstörés
Felépítéséből adódó adatvédelem
Az alkalmazás úgy épül, hogy a hang ne hagyhassa el az eszközt: ez nem beállítás, hanem műszaki korlát.
- ✓Sem a hangnak, sem az átiratnak nincs feltöltési útja
- ✓Nincs felhős szerver, amelyhez csatlakozna
- ✓Nem látjuk a felvételeit és az átiratait, és soha nem használjuk fel őket AI-modellek tanítására
- ✓Csak helyi tárolás, az iOS vagy a macOS titkosításával
- ✓Nincs külső adatfeldolgozó, amellyel BAA-t kellene kötni
Mennyire pontos, és honnan jön ez a szám?
Nyilvános benchmarkok, és saját sebességméréseink megnevezett gépen
Saját pontossági vizsgálatot nem készítünk: ha egy gyártó maga javítja a saját dolgozatát, az keveset ér. Az alábbi hibaarányok a Hugging Face Open ASR Leaderboardról és a FLEURS benchmarkból származnak. Mindkettő nyilvános, és olyanok viszik, akiknek semmilyen érdekük nem fűződik ehhez az alkalmazáshoz. A sebességadatok a mieink, egyetlen gépen mérve, amelyet meg is nevezünk.
Szóhibaarány modellenként
| Modell | Forrás | Hibaarány | Megjegyzés |
|---|---|---|---|
| Parakeet V3 (az alapértelmezett modell alapja) | Open ASR Leaderboard | 6,32% WER (angol) | 25 európai nyelv; ezeken átlagosan 12,0% a FLEURS-ön |
| Whisper Large V3 Turbo | Open ASR Leaderboard | 7,83% WER (angol) | A három közül a legszélesebb lefedettség: 100 nyelv |
| SenseVoice Small | Saját tesztünk, M4 Pro | 27 perces podcast 13,83 mp alatt | A gyors választás kínaihoz, japánhoz, koreaihoz és kantonihoz; az alkalmazás egy korábbi verziójával mérve, nagyjából annyi, mint a mai modellkártyán szereplő 115–131× |
Key Findings
- •Macen a Parakeet nagyjából a valós idő 74-szeresével fut; a Whisper Turbo ugyanazon a fájlon többszörösen lassabb
- •Angol nyelven a három modell szóhibaaránya között kevesebb mint két százalékpont a különbség
- •A szóhibaarányt felolvasott, előkészített beszéden mérik. Az Ön saját felvételein rosszabb lesz az eredmény, és a mikrofon vagy az egymás szavába vágás jobban befolyásolja a hibaarányt, mint a modellválasztás
A nagy felhőmodellek tiszta felvételen még mindig tartanak egy kis előnyt, mert olyan méretben futnak, amelyet sem telefon, sem laptop nem bír el. Ez a különbség az ára annak, hogy a hang soha nem hagyja el az eszközt. Ha az Ön munkájához nem kell az utolsó pontnyi pontosság, a kompromisszum általában megéri; ha kell, őszintén egy felhőszolgáltatást ajánlunk.
Hogyan áll az alternatívákhoz képest?
Összevetés felhőszolgáltatásokkal, a készülékén már meglévő eszközökkel és vállalati szoftverekkel
A táblázat nagy része pár perc alatt ellenőrizhető. A pontosság sorát viszont figyelmesen érdemes olvasni, mert a négy kategóriát nem ugyanazon a benchmarkon mérik.
Funkciók összehasonlítása
| Jellemző | Whisper Notes | Felhőszolgáltatások | Beépített eszközök | Vállalati szoftver |
|---|---|---|---|---|
| Pontosság (angol WER) | 6,32-7,83% (Open ASR Leaderboard) | Gyártói adat, többnyire nem szerepel azon a ranglistán | Nincs közzétéve | Nincs közzétéve |
| Hol történik a feldolgozás | Az Ön eszközén | A szolgáltató szerverein | Gyártótól függ | Saját szerveren is futtatható |
| Költség | $7.99 iPhone-on, $14 Macen, egyszeri díj | $0.006-0.40/perc | Ingyenes (korlátozott) | $500-2000/licenc |
| Nyelvek | 100 nyelv | 50-100 nyelv | 10-30 nyelv | 20-50 nyelv |
| Kell-e internet | Nem | Igen | Néha | A telepítéstől függ |
| Fájlhossz-korlát | Nincs percdíj | Általában 1-2 óra | 5-10 perc | Változó |
Market Position: Ha egymás mellé tesszük a három lehetőséget, jól látszanak a kompromisszumok. Egy élvonalbeli felhős API tiszta felvételen még mindig valamivel pontosabb, percenként $0.006 és $0.40 közé kerül, és közben a felvétele valaki más lemezén van. A saját szerveren futó vállalati átírás a hálózatán belül tartja a hangot, és nagyjából $500-tól indul felhasználónként. A Whisper Notes a nyílt modelleket olyan hardveren futtatja, amely már az Öné, iPhone-on $7.99-ért, Macen $14-ért, és cserébe lemond az élő feliratozásról, a közös szerkesztésről és a pontosság utolsó töredékéről. Ha e három közül bármelyikre szüksége van, a másik két lehetőség valamelyikével jár jobban.
Milyen munkához való?
Háromféle munka, ahol a felvétel nem kerülhet máshová
Egészségügy
Az egészségügyi szakemberek a Whisper Notest betegdokumentációhoz, klinikai jegyzetekhez és kutatási interjúkhoz használják. Mivel a hang soha nem jut el a mi szerverünkre, nincs olyan külső adatfeldolgozó, amellyel BAA-t kellene kötni. Hogy a teljes munkafolyamat megfelel-e a HIPAA-nak, továbbra is attól függ, hogyan van védve maga az eszköz. Ha pedig kollégáknak ugyanazt a jegyzetet kell megnyitniuk és kommentálniuk, egy aláírt BAA-val működő felhőszolgáltatás a gyakorlatiasabb válasz.
Use Cases
- •Betegkonzultációk dokumentálása
- •Orvosi beavatkozásokról szóló jegyzetek
- •Kutatási interjúk átírása
- •Telemedicinás konzultációk feljegyzései
- •Klinikai képzési anyagok
Benefits
- ✓Nincs adatmegosztási szabályzat, amelyben bíznia kellene, mert az alkalmazás semmit sem küld el
- ✓Egyéni szótár klinikai kifejezésekhez és gyógyszernevekhez
- ✓Betegadat nem hagyja el az eszközt, mert nincs feltöltési út
- ✓Egy 20 perces konzultáció jóval egy percen belül átíródik egy Apple Silicon processzoros Macen
Jog
Az ügyvédek a Whisper Notest tanúmeghallgatásokhoz, ügyfélbeszélgetésekhez és ügyelőkészítéshez használják. A felvétel az eszközön marad, így egyetlen szolgáltató sem őriz belőle másolatot. Ez azonban nem rendezi az Ön saját kötelezettségeit: hogy egy adott munkafolyamat megfelel-e az Önre vonatkozó titoktartási szabályoknak, továbbra is azon múlik, hogyan kezeli az eszközt, a mentéseit és az exportált fájlokat.
Use Cases
- •Ügyfélbeszélgetések dokumentálása
- •Tanúmeghallgatások átírása
- •Ügykutatási jegyzetek
- •Jogi eljárások feljegyzései
- •Vizsgálati interjúk
Benefits
- ✓Sem a felvételről, sem az átiratról nem őrzünk másolatot
- ✓Egyéni szótár ügynevekhez és jogi kifejezésekhez
- ✓Időbélyeges átiratok, exportálva szövegként, SRT- vagy VTT-formátumban
- ✓$7.99 iPhone-on vagy $14 Macen, egyszer fizetve, a percdíjas külsős átírással szemben
Újságírás
Az újságírók a Whisper Notest forrásinterjúkhoz és terepi felvételekhez használják. Nincs szerver, amely tárolná a hangot, így másolat csak az Ön saját eszközein van. A forrásvédelem így nem a mi adatmegőrzési szabályzatunkon múlik, amelyet Ön nem tud ellenőrizni, hanem az Ön eszközeinek biztonságán, amelyet igen. Ha a szerkesztőségben többeknek kell egyetlen átiratot szerkeszteniük egy élő esemény alatt, az egy felhős eszköz dolga.
Use Cases
- •Forrásinterjúk átírása
- •Terepi felvételek dokumentálása
- •Sajtótájékoztatók jegyzetei
- •Kutatási interjúk archívuma
- •Podcast-készítés
Benefits
- ✓Sem a felvétel, sem az átirat nem kerül sehová
- ✓Offline eszközön is működik, és egyben így ellenőrizheti az állítást
- ✓Nincs fiók, tehát nincs bejelentkezési előzmény, amely egy interjút Önhöz kötne
- ✓Exportálás szövegként, SRT- vagy VTT-formátumban a szerkesztőség meglévő eszközeihez
Milyen gyors, és hol vannak a korlátai?
Amit megmértünk, és amit a felépítés kizár
Mit mértünk, és min
A sebesség a géptől és a választott motortól függ, ezért egyetlen szorzó „az alkalmazásra” félrevezető lenne. Az alábbiak saját méréseink, az indítástól a kész szövegig eltelt idővel, megnevezett hardveren.
Parakeet V3 (az alapértelmezett motor alapja)
Macen nagyjából a valós idő 74-szerese: egy 17,5 perces megbeszélésfelvétel átirata körülbelül 15 másodperc alatt elkészül
25 európai nyelv; saját mérés, egyetlen gép
Whisper Turbo
Ugyanezen a Macen a Whisper Large V3 Turbo nagyjából a valós idő 2,7-szeresével fut, ez az ára a 100 nyelvnek
Saját méréseink; a Turbót a széles nyelvi lefedettségért érdemes választani, nem a sebességéért
Régebbi és kisebb eszközök
Egy iPhone lassabban megy végig egy fájlon, mint egy Apple Silicon processzoros Mac, és a különbség a chip korával nő. A hosszú fájlok így is elkészülnek, csak arányosan tovább tart
iPhone 12 vagy újabb, illetve Apple Silicon processzoros Mac
Tárhely
Az átiratok aprók, egy óra hanganyagra nagyjából 0,1 MB. A helyet a modellek foglalják: a Whisper Large V3 Turbo nagyjából 2 GB, a csak Macen elérhető Qwen3-ASR 1.7B nagyjából 2,5 GB, a többi ennél kisebb
A Parakeet be van építve az alkalmazásba; a többi modellt az alkalmazáson belül töltheti le
Ismert korlátok
A modellek eszközön futtatása kemény határokat szab, és ezeket könnyebb vásárlás előtt ellenőrizni, mint utána. Éppen ezért a weboldalunkról letölthető Mac-app hetente 5 000 szóig ingyenes.
Eszközkövetelmények
iPhone 12 vagy újabb készülékre és Apple Silicon processzoros Macekre készült; a régebbi iPhone-okból hiányzik az a Neural Engine-teljesítmény, amellyel ez a gyakorlatban használható lenne. A Mac App Store-os változat Intel-alapú Macekre is telepíthető, SenseVoice, Qwen3-ASR és gyors élő átirat nélkül.
Impact: iPhone 12 vagy újabb; az összes modellhez Apple Silicon processzoros Mac
Feldolgozási idő
A feldolgozási idő a felvétel hosszával együtt nő. Az eszközön végzett számítás fizikáját nem lehet megkerülni.
Impact: A fenti sebességekkel egy egyórás fájl Macen percek kérdése, iPhone-on tovább tart
Hangminőség
A rossz hangminőség vagy a hangos háttérzaj csökkenti a pontosságot, és a modell nem tudja visszahozni azt az információt, amely nincs benne a felvételben.
Impact: A mikrofon elhelyezése és az egymás szavába vágás jobban befolyásolja a hibaarányt, mint a modell megválasztása
Nincs szóról szóra követő élő felirat
A Whisper Notes nem feliratozó szolgáltatás. iPhone-on felvétel közben megjelenik az átirat a képernyőn, a Parakeet által lefedett 25 európai nyelven; ha Macen megbeszélést rögzít, az élő átiratpanel ezeken a nyelveken néhány másodpercen belül mutatja a szavakat, más nyelveken nagyjából 30 másodpercenként. A végleges átirat a teljes fájlból készül, ami több kontextust ad a modellnek.
Impact: Ha az esemény alatt, beszéd közben kell felirat a képernyőre, ez nem a megfelelő eszköz
Egy nyelv felvételenként
Az egy felvételen belüli gyors nyelvváltás csökkenti a pontosságot. A modell akkor teljesít a legjobban, ha a nyelv végig ugyanaz marad.
Impact: A legjobb eredmény fájlonként egy fő nyelvvel érhető el
Kinek való tehát?
Töltse le a Whisper Notest
Átírás, amely az Ön iPhone-ján vagy Macjén fut. A weboldalunkról letölthető Mac-app hetente 5 000 szóig ingyenes, így fizetés előtt ellenőrizheti, amit állítunk.
Letöltés iOS-reElérhető iOS-re (iPhone 12 vagy újabb) és macOS-re (Apple Silicon). Az App Store-ban egyszeri $7.99, ez az iPhone-t és a Mac App Store-verziót is tartalmazza. A weboldalunkról letölthető Mac-app hetente 5 000 szóig ingyenes, utána egyszeri $14. Nincs előfizetés.