Офлайн Распознавание Речи: Лучшее Локальное ПО для Транскрипции

Локальная модель транскрипции работает на Apple Silicon

Короткий ответ: лучшие офлайн-инструменты речи в текст по платформам

Если нужен только ответ: на Mac и iPhone берите Whisper Notes — три локальных ИИ-движка и разовая оплата: $7.99 один раз на iPhone (эта же покупка в App Store открывает и версию из Mac App Store); на Mac 5 000 слов в неделю бесплатно, дальше $14 один раз. На Windows — Buzz или faster-whisper (бесплатные, с открытым кодом). На Android выбор пока скромный — см. раздел о платформах ниже. Все инструменты из этой таблицы работают на 100% офлайн:

Дальше в гиде мы объясняем, почему локальная транскрипция выигрывает по задержке, стоимости и приватности — с реальными цифрами бенчмарков, — и по шагам разбираем, как транскрибировать аудио в текст офлайн.

Проблема задержки

Конвейер облачной транскрипции устроен так: вы говорите, аудио загружается на сервер, API его обрабатывает, результат возвращается.

Локальная транскрипция: вся эта задержка исчезает. Аудио не покидает устройство, обработка идёт прямо на чипе, результат появляется мгновенно. Ни загрузки, ни ожидания, ни крутящегося индикатора «обработка».

В свежих iPhone и Mac на Apple Silicon есть выделенный Neural Engine — аппаратный блок для машинного обучения на устройстве. Локальная транскрипция использует железо, которое у вас уже есть, вместо того чтобы ждать загрузки и ответа с удалённого сервера.

В 2019 году облачная транскрипция была оправдана: телефон не мог запустить нейросеть с миллиардом параметров. Этого ограничения больше нет. Mac на M4 Pro обрабатывает 35 минут аудио примерно за 18 секунд с Parakeet V3 и примерно за три минуты с Whisper Turbo — в обоих случаях ничего не загружается.

У облачной транскрипции остаются свои сценарии: живая совместная работа и централизованные процессы. Но для личной записи, которая нужна только вам, загрузка на сервер чаще всего лишняя.

Вы уже заплатили за этот чип

Neural Engine в Mac на чипе M-серии или в недавнем iPhone большую часть дня простаивает, хотя способен запускать эти модели.

За этот кремний вы заплатили, когда покупали устройство, а подписка на транскрибацию аудио на чужих серверах — это вторая оплата вычислительной мощности, которая у вас уже есть.

Такой обмен имел смысл, пока локальный инференс был действительно невозможен. Сейчас его труднее оправдать.

За три года подписка за $10 в месяц обходится в $360. Whisper Notes стоит $7.99 один раз на iPhone и $14 один раз на Mac. На самом деле подписка покупает живые субтитры и совместное редактирование; если вам не нужно ни то ни другое, вы платите за вычислительную мощность, которая у вас уже есть.

Мы не берём подписку, потому что не держим серверы. Ваше аудио никогда не касается нашей инфраструктуры. Здесь просто не за что выставлять ежемесячный счёт.

Утечки данных — это свойство архитектуры

Когда вы пользуетесь облачным сервисом транскрипции, ваше аудио живёт на чужих серверах. Любой сервер, где хранится аудио, может его слить — из-за атаки, ошибки в настройках или сотрудника с доступом, — и утечки действительно случаются.

У голосовых данных особый риск. В отличие от пароля, голос нельзя сбросить. Ваши голосовые паттерны — постоянный биометрический идентификатор. Утёкшие однажды, они скомпрометированы навсегда. Злоумышленники могут использовать слепок голоса для обхода голосовой аутентификации, мошенничества с личностью или генерации дипфейков.

Единственный способ устранить этот риск — устранить саму загрузку. Аудио, которое не покидает устройство, не может стать частью серверной утечки — в этом весь аргумент.

Подумайте, кто записывает чувствительное аудио:

• Юристы — консультации клиентов
• Психотерапевты — сессии с пациентами
• Журналисты — разговоры с источниками, которых нужно защищать
• Руководители — стратегические обсуждения
• Врачи — истории болезни пациентов

Для этих профессий важно точно знать, где хранится аудио. Локальная транскрипция для них не предпочтение. Это требование.

Точность и её компромиссы

Что локальный Whisper делает лучше: дословную транскрипцию. Если нужна точная запись сказанного — каждое слово, каждая пауза, каждое «эм» — локальные модели Whisper справляются отлично. На чистом английском аудио доля ошибок в словах составляет примерно 5-8% (Open ASR Leaderboard); шум и акценты её повышают. Транскрипт верен тому, что было произнесено.

Что добавляет языковая модель: резюме и извлечение смысла. Локальная модель вроде Gemma, которую Whisper Notes запускает на Mac, превращает транскрипт в резюме и список задач. Крупные облачные модели пока лучше разбираются в длинных и сумбурных транскриптах, так что для запроса «скажи, какие решения приняли» после двухчасовой встречи они сильнее.

Этот компромисс реален. Если ваш процесс — «транскрибировать → суммировать в Claude/GPT», вы получаете лучшее из двух миров: точный локальный транскрипт и умное облачное резюме. Исходное аудио остаётся приватным. Устройство покидает только тот текст, который вы сами решили отправить.

Локальный ИИ не закрывает весь рабочий процесс. Речевые модели хороши в транскрипции; языковые модели лучше суммируют результат и рассуждают над ним. Держите аудио локально, а языковую модель — локальную или облачную — выбирайте по чувствительности текста.

Реальные цифры скорости

Выбор модели влияет на результат сильнее, чем само слово «локально». Whisper Notes запускает все три на Mac и iPhone, а движок выбирается в настройках; Parakeet — быстрый вариант по умолчанию для английского и европейских языков, SenseVoice оптимизирована для китайского, японского, корейского и кантонского, а Whisper Large-v3 Turbo (Mac) / Whisper Small (iPhone) даёт самое широкое покрытие — 100+ языков.

Методика: Whisper Notes на Apple M4 Pro с 32 ГБ оперативной памяти; замерялось время «по часам» от запуска транскрипции до готового текста. Parakeet работал с 35-минутной записью; SenseVoice и Whisper — с одним и тем же 27-минутным китайским подкастом. Это продуктовые тесты, а не сравнение облачных провайдеров между собой.

Текущая страница в App Store также указывает около 18 секунд на 5 минут аудио с Parakeet на iPhone 15 — против примерно минуты с Whisper. Более старые устройства медленнее. В любом случае задача продолжает выполняться в авиарежиме, потому что шага загрузки просто нет.

Как транскрибировать аудио в текст офлайн (пошагово)

На Mac:

1. Скачайте Whisper Notes для Mac (5 000 слов в неделю бесплатно, аккаунт не нужен).
2. Выберите модель в настройках: Parakeet V3 — для скорости на английском, SenseVoice — для китайского, японского, корейского или кантонского, Whisper Large V3 Turbo — для 100+ языков. Модель скачивается один раз и дальше работает офлайн.
3. Записывайте прямо в приложении или перетащите любой аудио- или видеофайл (MP3, WAV, M4A, MP4).
4. Для онлайн-встреч включите распознавание встреч. Zoom, Teams и Google Meet определяются автоматически; системный звук и микрофон записываются вместе, а транскрипция не покидает ваш Mac.
5. Текст появляется по мере обработки. Экспортируйте его в TXT, SRT или VTT или просто скопируйте куда угодно. Импортированное видео открывается в редакторе субтитров, где их можно просмотреть и поправить перед экспортом.

На iPhone: установите Whisper Notes из App Store, запишите аудио или импортируйте его из «Диктофона» и «Файлов» — транскрипция выполняется на чипе серии A. Хотите доказательство, что ничего не загружается, — сначала включите авиарежим. Для автоматизации есть действие «Transcribe Audio» в приложении «Быстрые команды»: оно принимает аудиофайл и возвращает текст.

Как мы это построили

Whisper Notes — наша реализация этих принципов. Несколько конкретных решений, о которых стоит рассказать:

Виджеты экрана блокировки

Лучшие мысли приходят в самый неудобный момент. Мы сделали виджеты экрана блокировки, чтобы одно касание на экране блокировки открывало приложение и сразу начинало офлайн-запись — не нужно искать приложение, без проверки сети. Локальная обработка означает мгновенную готовность.

Модели, подобранные под железо

У Mac есть запас по охлаждению и питанию. iPhone живёт у вас в кармане. Оба теперь работают с одной и той же линейкой моделей — Parakeet V3 (модель по умолчанию), Whisper Large-v3 Turbo (809 миллионов параметров, Mac) / Whisper Small (iPhone) и SenseVoice — и каждая настроена под своё железо. Одинаковые гарантии приватности, разумное использование ресурсов.

Ваши данные — ваши файлы

Транскрипты — это файлы на вашем устройстве. На Mac каждый транскрипт сохраняется как файл Markdown (.md) рядом со своим аудио, с YAML-заголовком (дата, источник, длительность), в выбранную вами папку; укажите хранилище Obsidian — и каждая запись станет заметкой. Никакой проприетарной базы данных, никакой привязки к вендору. Если Whisper Notes завтра исчезнет, ваши записи останутся доступными. Массовый экспорт — не премиум-функция, а естественное состояние данных, которыми вы владеете.

Свой словарь

Технический жаргон, редкие имена, отраслевые термины — словарь, которому точная транскрипция нужнее всего, обычно меньше всего хочется загружать в облако. Начальные подсказки позволяют добавить контекст локально. Модель подстраивается, а ваша терминология не становится обучающими данными.

Добавление собственного словаря.

Когда облако работает лучше

Мы не делаем вид, что локальная транскрипция лучше всегда и везде. У облака есть настоящие преимущества:

Командная работа в реальном времени. Когда пять человек одновременно правят транскрипт прямо во время встречи, нужна серверная координация. Локальные инструменты по своей природе однопользовательские.

Определение говорящих в масштабе. Разметка говорящих на устройстве уже здесь — Whisper Notes теперь размечает «кто что сказал» полностью на устройстве на iPhone и Mac. Облачная диаризация всё ещё сохраняет преимущество на очень больших группах и при сильно перекрывающейся речи, но для интервью вдвоём и небольших встреч разметка на устройстве уже достаточно точна, чтобы ею пользоваться (99,1% точности на уровне предложений в нашем тесте с двумя говорящими).

Автоматизация процессов. Облачные сервисы подключаются к CRM, извлекают задачи, отправляют резюме в Slack. Локальные инструменты выдают текстовые файлы — что делать с ними дальше, вы решаете вручную.

Старое железо. iPhone до A14, Mac на Intel — часть устройств на практике не потянет локальный инференс. Для них облако остаётся единственным вариантом.

Если главное для вас — командная работа на живых встречах, облачные инструменты, скорее всего, подойдут лучше. Если вы в основном транскрибируете собственные записи и вам важна приватность, локальная обработка — более удачный выбор.

Траектория

Каждое поколение чипов приносит более мощный Neural Engine. Каждая итерация моделей — лучшую эффективность. Разрыв между локальным и облачным сокращается, а преимущества в приватности и задержке никуда не деваются.

Облачная транскрипция имела смысл, пока телефоны не могли запускать эти модели. Примерно с 2022 года могут.

Локальная транскрибация уже работает на железе Apple. Причин платить за подписку осталось две: живые субтитры и совместное редактирование — и если ни то ни другое вам не нужно, третьей нет.

Технические детали

Офлайн-распознавание речи на Windows и Android

Whisper Notes создан для Apple Silicon, поэтому работает только на Mac и iPhone. На других платформах положение дел сейчас такое:

Windows: Whisper Notes работает только на Mac и iPhone, поэтому лучшие бесплатные варианты — Buzz (простой графический интерфейс для Whisper) и faster-whisper (командная строка, в несколько раз быстрее референсной реализации на том же железе). После загрузки модели оба работают полностью офлайн. Но готовьтесь к большей возне, чем с нативным приложением: окружение Python, файлы моделей, драйверы GPU, если нужна скорость.

Android: у whisper.cpp есть Android-порты и несколько приложений-обёрток, но их качество и поддержка сильно разнятся. Отполированного массового офлайн-приложения для транскрипции на Android пока нет — актуальное положение дел см. на странице Whisper Notes для Android.

Многие ищут «Whisper Notes Windows», потому что хотят ту же офлайн-модель с разовой покупкой на ПК. Мы её не делаем и предпочитаем сказать это прямо, а не оставлять вопрос открытым (подробное объяснение — на странице Whisper Notes для Windows). Локальная расшифровка идёт сегодня со скоростью 100x реального времени благодаря Neural Engine от Apple.

Офлайн-перевод речи: что локальный ИИ может и чего не может

Часто возникает смежный вопрос: может ли локальный ИИ переводить речь, а не только транскрибировать её? Частично. Оригинальная модель Whisper Large V3 обучалась двум задачам — транскрипции и переводу с любого языка на английский. Запущенная локально, она может взять аудио на французском, японском или арабском и выдать английский текст, полностью офлайн. Две оговорки: она переводит только на английский (не в обратную сторону), и это относится к полной модели Large V3 — более быстрый вариант Large-v3 Turbo отказался от задачи перевода, чтобы специализироваться на транскрипции.

Помимо этого, честный ответ таков: офлайн-перевод речи всё ещё на раннем этапе. Пока не существует зрелого потребительского приложения, которое делало бы офлайн-перевод речи в речь в реальном времени так, как это пытаются делать облачные сервисы. Практичный офлайн-процесс сегодня состоит из двух шагов: сначала транскрибируйте аудио локально, затем переведите полученный текст любым инструментом перевода, которому вы доверяете — так ваше исходное аудио по-прежнему никогда не покидает устройство.

Часто задаваемые вопросы

Скачать для iOS Попробовать Бесплатно на Mac