あなたの声は端末から外に出ません

無料のWhisperウェブツールは、多くの場合、モデル改善のためにあなたの音声を使用します。これは、ほとんどのユーザーが読まない利用規約に記載されています。1分あたり$0.006〜$0.40のクラウドサービスは、頻繁に使用すると年間数百ドルに達します。

Otter.aiのようなサブスクリプションサービスは年間約$99です。5年間で$495—しかもリモートサーバーで音声を処理するサービスのためです。

Whisper Notesは$7.99の買い切りです。サブスクリプションなし。従量課金なし。データ収集なし。ビジネスモデルはシンプルです：ソフトウェアにお金を払い、ソフトウェアを所有します。

多くのブラウザベースのWhisperツールは「ローカル処理」を謳っていますが、技術的には正確です。音声はブラウザタブ内に留まります。しかし、ブラウザ環境には根本的な制限があります。

メモリ制約により、小さなモデルしか使用できません。ほとんどのブラウザはWebAssemblyのメモリを約4GBに制限しており、実行できるモデルサイズが制限されます。JavaScriptはネイティブコードと比較して処理オーバーヘッドが追加されます。タブがクラッシュすると、復旧オプションなしで作業が失われます。

ブラウザベースのツールはシステム統合も不足しています。他のアプリケーションを使用中にバックグラウンドで実行できません。ハードウェアアクセラレーションに効率的にアクセスできません。これらは文字起こしソフトウェアではなく、文字起こしを行うウェブページなのです。

Whisper NotesはmacOSとiOS専用にコンパイルされています。AppleのNeural Engine—Face IDや計算写真処理を支える同じ専用チップ—に直接アクセスします。

これはアプリシェルでラップされたウェブページではありません。特定のハードウェア用に最適化されたネイティブコードです。このページの速度の数字が成り立つのもそのためです。M4 Pro では Parakeet V3 が35分の音声を18秒ほどで処理し終えます。

ネイティブアプリはバックグラウンドで実行でき、システムサービスと統合し、中断から適切に回復できます。オペレーティングシステムによってサンドボックス化されているため、他のアプリのデータにアクセスできません。そして、Whisper Notesはネットワークパーミッションを要求しないため、たとえ侵害されてもデータを送信することは物理的に不可能です。

クラウドサービスは、サーバーリソースが実質的に無制限であるため、最大のWhisperモデルを実行できます。わずかに高い精度と、大量の計算能力を必要とするリアルタイム文字起こしなどの機能を提供できます。

トレードオフ：すべての録音があなたが制御できないインフラにアップロードされます。音声がインターネットを通過し、リモートサーバーで処理され、あなたが選択していない保持ポリシーに従って保存される可能性があります。

守秘義務のあるセラピスト、特権コミュニケーションを扱う弁護士、情報源を保護するジャーナリスト、または機密情報を扱う誰にとっても、クラウド処理は精度のメリットに関係なく、多くの場合、資格を失う要因です。