การแปลงเสียงเป็นข้อความแบบออฟไลน์กลายเป็นเรื่องใช้งานได้จริงบนฮาร์ดแวร์ Apple ทั่วไปแล้ว: ไฟล์เสียงอยู่บนอุปกรณ์ของคุณ การอัดเสียงยาว ๆ เสร็จในไม่กี่วินาทีหรือไม่กี่นาที และไม่มีค่าใช้จ่ายคิดตามนาที
Whisper Notes รู้จำเสียงพูดบนอุปกรณ์เอง ทั้งบน Mac และ iPhone
คำตอบแบบสั้น: เครื่องมือแปลงเสียงเป็นข้อความออฟไลน์ที่ดีที่สุดตามแพลตฟอร์ม
ถ้าคุณต้องการแค่คำตอบ: บน Mac และ iPhone ใช้ Whisper Notes ซึ่งมีเอนจิน AI ในเครื่องสามตัวและจ่ายครั้งเดียว: บน iPhone จ่าย $7.99 ครั้งเดียว (การซื้อครั้งเดียวกันใน App Store ใช้กับเวอร์ชัน Mac App Store ได้ด้วย) บน Mac ใช้ฟรี 5,000 คำต่อสัปดาห์ จากนั้นจ่าย $14 ครั้งเดียว บน Windows ใช้ Buzz หรือ faster-whisper ส่วน Android ยังมีตัวเลือกจำกัด เครื่องมือทุกตัวในตารางทำงานออฟไลน์ 100%
| เครื่องมือ | แพลตฟอร์ม | ราคา | การติดตั้ง | โมเดล |
|---|---|---|---|---|
| Whisper Notes | Mac (ชิป M-series), iPhone | $7.99 ครั้งเดียว (iPhone); $14 ครั้งเดียว (Mac) ใช้ฟรี 5,000 คำ/สัปดาห์ | ไม่ต้องตั้งค่า — แอปเนทีฟ | Parakeet V3, SenseVoice, Whisper Turbo |
| MacWhisper | เฉพาะ Mac | มีรุ่นฟรี; Pro €64 จ่ายครั้งเดียว | ไม่ต้องตั้งค่า — แอปเนทีฟ | ตระกูล Whisper |
| Buzz | Windows, Mac, Linux | ฟรี (โอเพนซอร์ส) | ตัวติดตั้ง; UI พื้นฐาน | ตระกูล Whisper |
| faster-whisper / whisper.cpp | Windows, Mac, Linux | ฟรี (โอเพนซอร์ส) | คอมมานด์ไลน์ | ตระกูล Whisper |
| Apple Dictation | ติดมากับ iPhone/Mac | ฟรี | ไม่ต้องตั้งค่า | โมเดลบนอุปกรณ์ของ Apple; เหมาะกับการพูดสั่งสั้น ๆ เท่านั้น |
ส่วนที่เหลือของคู่มือนี้อธิบายว่าทำไมการถอดเสียงในเครื่องถึงเหนือกว่าทั้งด้านความหน่วง ต้นทุน และความเป็นส่วนตัว — พร้อมตัวเลขเบนช์มาร์กจริง — และพาไปดูวิธีถอดเสียงเป็นข้อความแบบออฟไลน์ทีละขั้นตอน
ปัญหาความหน่วง
ไปป์ไลน์การถอดเสียงบนคลาวด์เป็นแบบนี้: คุณพูด ไฟล์เสียงถูกอัปโหลดขึ้นเซิร์ฟเวอร์ API ประมวลผล แล้วผลลัพธ์ถึงส่งกลับมา
การถอดเสียงในเครื่อง: ความหน่วงทั้งหมดนั้นหายไป ไฟล์เสียงไม่เคยออกจากอุปกรณ์ การประมวลผลเกิดขึ้นบนชิปโดยตรง ผลลัพธ์ปรากฏทันที ไม่มีการอัปโหลด ไม่ต้องรอ ไม่มีไอคอน "กำลังประมวลผล" หมุนค้าง
iPhone รุ่นใหม่ ๆ และ Mac ที่ใช้ Apple Silicon มีฮาร์ดแวร์ Neural Engine เฉพาะทางสำหรับงานแมชชีนเลิร์นนิงบนอุปกรณ์ การถอดเสียงในเครื่องใช้ฮาร์ดแวร์ที่คุณเป็นเจ้าของอยู่แล้ว แทนที่จะต้องรอการอัปโหลดและการตอบกลับจากเซิร์ฟเวอร์ปลายทาง
ในปี 2019 การถอดเสียงบนคลาวด์ยังสมเหตุสมผล เพราะโทรศัพท์ของคุณรันโครงข่ายประสาทเทียมขนาดพันล้านพารามิเตอร์ไม่ไหว ข้อจำกัดนั้นหมดไปแล้ว บน M4 Pro เสียงความยาว 35 นาทีถอดเสร็จในราว 18 วินาทีด้วย Parakeet V3 และราวสามนาทีด้วย Whisper Turbo โดยไม่มีการอัปโหลดอะไรเลยทั้งสองกรณี
การถอดเสียงบนคลาวด์ยังคงเหมาะกับการทำงานร่วมกันแบบสดและเวิร์กโฟลว์แบบรวมศูนย์ แต่สำหรับการอัดเสียงส่วนตัวที่มีแค่คุณคนเดียวที่ต้องใช้ การอัปโหลดมักเป็นเรื่องไม่จำเป็น
คุณจ่ายค่าชิปไปแล้ว
Neural Engine ใน Mac ชิปซีรีส์ M หรือ iPhone รุ่นใหม่ๆ อยู่เฉยๆ เกือบทั้งวัน ทั้งที่รันโมเดลเหล่านี้ได้
คุณจ่ายค่าชิปนี้ไปแล้วตอนซื้อเครื่อง การจ่ายค่าสมาชิกเพื่อให้เซิร์ฟเวอร์ของคนอื่นถอดเสียงให้ จึงเท่ากับจ่ายเป็นครั้งที่สองสำหรับพลังประมวลผลที่คุณมีอยู่แล้ว
การแลกเปลี่ยนแบบนั้นสมเหตุสมผลในยุคที่การประมวลผลในเครื่องเป็นไปไม่ได้จริงๆ แต่วันนี้หาเหตุผลมารองรับได้ยากขึ้น
ค่าสมาชิกเดือนละ $10 รวมสามปีเป็น $360 ส่วน Whisper Notes ราคา $7.99 จ่ายครั้งเดียวบน iPhone และ $14 จ่ายครั้งเดียวบน Mac สิ่งที่ค่าสมาชิกซื้อให้คุณจริงๆ คือคำบรรยายแบบสดและการแก้ไขร่วมกัน ถ้าไม่ต้องใช้ทั้งสองอย่าง คุณก็กำลังจ่ายค่าพลังประมวลผลที่เป็นของคุณอยู่แล้ว
| บริการ | ปีที่ 1 | ปีที่ 3 | ปีที่ 5 |
|---|---|---|---|
| สมัครสมาชิกคลาวด์ ($10/เดือน) | $120 | $360 | $600 |
| Whisper Notes (จ่ายครั้งเดียว) | $7.99 | $7.99 | $7.99 |
เราไม่เก็บค่าสมัครสมาชิก เพราะเราไม่มีเซิร์ฟเวอร์ ไฟล์เสียงของคุณไม่เคยแตะโครงสร้างพื้นฐานของเรา จึงไม่มีอะไรให้เรียกเก็บเป็นรายเดือน
ข้อมูลรั่วไหลเป็นเรื่องของสถาปัตยกรรม
เมื่อคุณใช้บริการถอดเสียงบนคลาวด์ ไฟล์เสียงของคุณไปอยู่บนเซิร์ฟเวอร์ของคนอื่น เซิร์ฟเวอร์ใดก็ตามที่เก็บไฟล์เสียงไว้ก็อาจทำให้ไฟล์นั้นรั่วไหลได้ ไม่ว่าจะจากการโจมตี การตั้งค่าผิดพลาด หรือพนักงานที่มีสิทธิ์เข้าถึง และการรั่วไหลก็เกิดขึ้นจริง
ข้อมูลเสียงมีความเสี่ยงเฉพาะตัว ต่างจากรหัสผ่านตรงที่ คุณรีเซ็ตเสียงของตัวเองไม่ได้ ลักษณะเสียงของคุณคือข้อมูลชีวมิติที่ติดตัวถาวร เมื่อรั่วไหลแล้วก็ถูกบุกรุกตลอดไป ผู้ไม่หวังดีสามารถใช้ลายเสียงเพื่อหลบเลี่ยงการยืนยันตัวตน ปลอมแปลงตัวตน หรือสร้างดีปเฟกได้
วิธีเดียวที่จะกำจัดความเสี่ยงนี้คือกำจัดการอัปโหลด ไฟล์เสียงที่ไม่เคยออกจากอุปกรณ์ของคุณ ย่อมไม่มีทางเป็นส่วนหนึ่งของการรั่วไหลฝั่งเซิร์ฟเวอร์ ทั้งหมดของข้อโต้แย้งนี้มีเพียงเท่านี้
ลองนึกดูว่าใครบ้างที่อัดเสียงข้อมูลอ่อนไหว:
- ทนายความ อัดเสียงการปรึกษากับลูกความ
- นักจิตบำบัด บันทึกเซสชันของผู้ป่วย
- นักข่าว ปกป้องแหล่งข่าว
- ผู้บริหาร บันทึกการหารือเชิงกลยุทธ์
- แพทย์ จดประวัติผู้ป่วย
สำหรับมืออาชีพเหล่านี้ ต้องตอบได้ว่าไฟล์เสียงถูกเก็บไว้ที่ไหน การถอดเสียงในเครื่องจึงไม่ใช่แค่ความชอบส่วนตัว แต่เป็นข้อบังคับ
ความแม่นยำและข้อแลกเปลี่ยน
สิ่งที่ Whisper ในเครื่องทำได้ดีกว่า: การถอดเสียงแบบคำต่อคำ ถ้าคุณต้องการบันทึกที่ตรงกับสิ่งที่พูดเป๊ะ ๆ — ทุกคำ ทุกจังหวะหยุด ทุกคำว่า "เอ่อ" — โมเดล Whisper ในเครื่องทำได้ยอดเยี่ยม บนไฟล์เสียงภาษาอังกฤษที่ชัด อัตราความผิดพลาดของคำ (WER) อยู่ราว 5-8% (Open ASR Leaderboard) เสียงรบกวนและสำเนียงจะทำให้ตัวเลขนี้สูงขึ้น ข้อความที่ได้ซื่อตรงต่อสิ่งที่ถูกพูดจริง
สิ่งที่โมเดลภาษาเพิ่มเข้ามา: การสรุปและการสกัดข้อมูล โมเดลในเครื่องอย่าง Gemma ที่ Whisper Notes รันในแอป Mac ที่ดาวน์โหลดจากเว็บไซต์ของเรา เปลี่ยนข้อความถอดเสียงเป็นบทสรุปและรายการสิ่งที่ต้องทำได้ ส่วนโมเดลคลาวด์ขนาดใหญ่ยังวิเคราะห์ข้อความถอดเสียงที่ยาวและไม่เป็นระเบียบได้ดีกว่า ถ้าคุณอยากถามว่า "บอกหน่อยว่าประชุมนี้ตัดสินใจอะไรไปบ้าง" หลังประชุมสองชั่วโมง โมเดลคลาวด์ยังเป็นเครื่องมือที่แข็งกว่า
ข้อแลกเปลี่ยนนี้มีอยู่จริง ถ้าเวิร์กโฟลว์ของคุณคือ "ถอดเสียง → สรุปด้วย Claude/GPT" คุณจะได้สิ่งที่ดีที่สุดจากทั้งสองโลก: ข้อความถอดเสียงในเครื่องที่แม่นยำ บวกบทสรุปอัจฉริยะจากคลาวด์ ไฟล์เสียงดิบของคุณยังเป็นส่วนตัว มีเพียงข้อความที่คุณเลือกจะแชร์เท่านั้นที่ออกจากอุปกรณ์
AI ในเครื่องไม่ได้แก้ทุกส่วนของเวิร์กโฟลว์ โมเดลเสียงเก่งเรื่องการถอดเสียง ส่วนโมเดลภาษาเก่งกว่าในการสรุปและวิเคราะห์ผลลัพธ์ เก็บไฟล์เสียงไว้ในเครื่อง แล้วเลือกใช้โมเดลภาษาแบบในเครื่องหรือบนคลาวด์ตามระดับความอ่อนไหวของข้อความ
| งาน | เครื่องมือที่เหมาะที่สุด | เหตุผล |
|---|---|---|
| ถอดเสียงคำต่อคำ | Whisper ในเครื่อง | ความเป็นส่วนตัว ความเร็ว ความแม่นยำ |
| สรุปการประชุม | LLM ในเครื่อง (Gemma, แอป Mac จากเว็บไซต์ของเรา) หรือ LLM บนคลาวด์ จากข้อความถอดเสียง | ความเข้าใจเชิงบริบท |
| สกัดรายการสิ่งที่ต้องทำ | LLM ในเครื่อง (Gemma, แอป Mac จากเว็บไซต์ของเรา) หรือ LLM บนคลาวด์ จากข้อความถอดเสียง | การวิเคราะห์เชิงความหมาย |
| ทำงานร่วมกันแบบเรียลไทม์ | บริการคลาวด์ (Otter ฯลฯ) | การประสานงานหลายผู้ใช้ |
ตัวเลขความเร็วจริง
การเลือกโมเดลเปลี่ยนผลลัพธ์มากกว่าที่คำว่า "ในเครื่อง" บ่งบอก Whisper Notes รันทั้งสามตัวบน Mac และ iPhone โดยเลือกเอนจินได้ในการตั้งค่า Parakeet คือค่าเริ่มต้นที่เร็วสำหรับภาษาอังกฤษและภาษายุโรป SenseVoice ถูกปรับแต่งมาสำหรับภาษาจีน ญี่ปุ่น เกาหลี และกวางตุ้ง ส่วน Whisper Large-v3 Turbo (Mac) / Whisper Small (iPhone) ครอบคลุมภาษากว้างที่สุดที่มากกว่า 100 ภาษา รวมถึงภาษาไทย
| อุปกรณ์และโมเดล | ไฟล์เสียงทดสอบ | เวลาประมวลผล | เหมาะกับ |
|---|---|---|---|
| M4 Pro — Parakeet V3 | 35 นาที | ~18 วินาที | ภาษาอังกฤษและภาษายุโรป |
| M4 Pro — SenseVoice | พอดแคสต์ภาษาจีน 27 นาที | 13.83 วินาที | ภาษาจีน ญี่ปุ่น เกาหลี กวางตุ้ง |
| M4 Pro — Whisper Turbo | พอดแคสต์ภาษาจีน 27 นาที | 2 นาที 4 วินาที | ครอบคลุมภาษากว้างที่สุด |
วิธีทดสอบ: Whisper Notes บน Apple M4 Pro แรม 32 GB จับเวลาจริงตั้งแต่เริ่มถอดเสียงจนได้ข้อความสุดท้าย Parakeet ใช้ไฟล์อัดเสียงความยาว 35 นาที ส่วน SenseVoice และ Whisper ใช้พอดแคสต์ภาษาจีนความยาว 27 นาทีไฟล์เดียวกัน ตัวเลขเหล่านี้เป็นการทดสอบผลิตภัณฑ์ ไม่ใช่เบนช์มาร์กเปรียบเทียบข้ามผู้ให้บริการคลาวด์
หน้าร้านค้าบน App Store ปัจจุบันยังรายงานด้วยว่า Parakeet ใช้เวลาราว 18 วินาทีสำหรับไฟล์เสียง 5 นาทีบน iPhone 15 เทียบกับประมาณหนึ่งนาทีเมื่อใช้ Whisper อุปกรณ์รุ่นเก่ากว่าจะช้ากว่านี้ แต่ในทุกกรณี งานยังคงเดินหน้าต่อได้แม้อยู่ในโหมดเครื่องบิน เพราะไม่มีขั้นตอนการอัปโหลด
วิธีถอดเสียงเป็นข้อความแบบออฟไลน์ (ทีละขั้นตอน)
บน Mac:
- ดาวน์โหลด Whisper Notes สำหรับ Mac (ทดลองใช้ฟรี ไม่ต้องสมัครบัญชี)
- เลือกโมเดลในหน้าตั้งค่า: Parakeet V3 เพื่อความเร็วสำหรับภาษาอังกฤษ SenseVoice สำหรับภาษาจีน ญี่ปุ่น เกาหลี หรือกวางตุ้ง Whisper Large V3 Turbo สำหรับมากกว่า 100 ภาษา รวมถึงภาษาไทย โมเดลดาวน์โหลดครั้งเดียว จากนั้นทำงานออฟไลน์ได้ตลอด
- อัดเสียงโดยตรง หรือลากไฟล์เสียง/วิดีโอใดก็ได้มาวาง (MP3, WAV, M4A, MP4)
- สำหรับการประชุมออนไลน์ ให้เปิดการตรวจจับการประชุม Zoom, Teams และ Google Meet จะถูกตรวจพบโดยอัตโนมัติ ระบบจะบันทึกเสียงของระบบพร้อมกับไมโครโฟนของคุณ และการถอดเสียงเกิดขึ้นบน Mac ของคุณเท่านั้น
- ข้อความจะทยอยขึ้นระหว่างประมวลผล ส่งออกเป็น TXT, SRT หรือ VTT หรือคัดลอกไปวางที่ไหนก็ได้ วิดีโอที่นำเข้าจะเปิดในพื้นที่ทำงานคำบรรยาย ซึ่งคุณดูตัวอย่างและแก้คำบรรยายได้ก่อนส่งออก
บน iPhone: ติดตั้ง Whisper Notes จาก App Store แล้วอัดเสียงหรือดึงไฟล์เข้ามาจากแอปบันทึกเสียงและแอปไฟล์ การถอดเสียงจะรันบนชิป A-series อยากได้หลักฐานว่าไม่มีอะไรถูกอัปโหลด ให้เปิดโหมดเครื่องบินก่อนเริ่ม ถ้าต้องการทำงานอัตโนมัติ คำสั่ง "Transcribe Audio" ในแอปคำสั่งลัดรับไฟล์เสียงแล้วส่งข้อความกลับมา
เราสร้างมันขึ้นมาอย่างไร
Whisper Notes คือการนำหลักการเหล่านี้มาลงมือทำจริง มีการตัดสินใจบางอย่างที่ควรพูดถึง:
วิดเจ็ตหน้าจอล็อก
ความคิดดี ๆ มักมาในจังหวะที่ไม่สะดวก เราจึงสร้างวิดเจ็ตหน้าจอล็อกให้แตะครั้งเดียวจากหน้าจอล็อกแล้วเปิดแอปพร้อมเริ่มอัดเสียงออฟไลน์ได้เลย — ไม่ต้องหาแอป ไม่ต้องเช็กสัญญาณ การประมวลผลในเครื่องหมายถึงความพร้อมใช้ทันที
อัดเสียงจากหน้าจอล็อก
โมเดลที่ปรับตามฮาร์ดแวร์
Mac มีพื้นที่ระบายความร้อนและพลังงานเหลือเฟือ ส่วน iPhone อยู่ในกระเป๋าคุณ ตอนนี้ทั้งคู่รันโมเดลชุดเดียวกัน — Parakeet V3 (ค่าเริ่มต้น), Whisper Large-v3 Turbo (809 ล้านพารามิเตอร์, Mac) / Whisper Small (iPhone) และ SenseVoice — โดยแต่ละตัวถูกจูนให้เข้ากับฮาร์ดแวร์ของมัน การรับประกันความเป็นส่วนตัวเหมือนกัน การใช้ทรัพยากรเหมาะสมกับเครื่อง
ข้อมูลของคุณ ไฟล์ของคุณ
ข้อความถอดเสียงคือไฟล์บนอุปกรณ์ของคุณ บน Mac ข้อความถอดเสียงแต่ละชิ้นจะถูกบันทึกเป็นไฟล์ Markdown (.md) ไว้ข้างไฟล์เสียง พร้อมส่วนหัว YAML (วันที่ แหล่งที่มา ความยาว) ในโฟลเดอร์ที่คุณเลือก ถ้าชี้ไปที่ vault ของ Obsidian ทุกไฟล์อัดเสียงก็จะกลายเป็นโน้ต ไม่มีฐานข้อมูลเฉพาะค่าย ไม่มีการล็อกอินกับผู้ขาย ถ้า Whisper Notes หายไปพรุ่งนี้ ไฟล์อัดเสียงของคุณก็ยังเปิดได้ การส่งออกจำนวนมากไม่ใช่ฟีเจอร์พรีเมียม — มันคือสภาพปกติของข้อมูลที่คุณเป็นเจ้าของ
ส่งออกข้อความถอดเสียงและไฟล์เสียงทีละหลายรายการ
คำศัพท์เฉพาะทาง
ศัพท์เทคนิค ชื่อเฉพาะแปลก ๆ คำเฉพาะวงการ — คำศัพท์ที่ต้องการการถอดเสียงแม่นยำที่สุด มักเป็นสิ่งที่คุณอยากอัปโหลดน้อยที่สุด Initial prompt ให้คุณเพิ่มบริบทได้ในเครื่อง โมเดลปรับตัวโดยที่ศัพท์ของคุณไม่กลายเป็นข้อมูลฝึกโมเดลของใคร
บน iPhone ให้ใส่ชื่อและศัพท์ไว้ในช่องพรอมต์เริ่มต้น เพื่อช่วยนำทางโมเดลโดยไม่ออกจากอุปกรณ์
เมื่อไหร่ที่คลาวด์เหมาะกว่า
เราไม่แสร้งว่าการถอดเสียงในเครื่องดีกว่าในทุกกรณี คลาวด์มีข้อได้เปรียบจริง:
การทำงานร่วมกันเป็นทีมแบบเรียลไทม์ ห้าคนแก้ไขข้อความถอดเสียงพร้อมกันระหว่างประชุมต้องอาศัยการประสานงานผ่านเซิร์ฟเวอร์ เครื่องมือในเครื่องเป็นแบบผู้ใช้เดียวโดยธรรมชาติ
การระบุตัวผู้พูดในระดับใหญ่ การติดป้ายผู้พูดบนอุปกรณ์มาถึงแล้ว — ตอนนี้ Whisper Notes ติดป้ายว่า "ใครพูดอะไร" ได้ทั้งหมดบนอุปกรณ์ ทั้งบน iPhone และ Mac การแยกผู้พูดระดับคลาวด์ยังคงได้เปรียบสำหรับกลุ่มที่ใหญ่มากและเสียงพูดที่ทับซ้อนกันมาก แต่สำหรับการสัมภาษณ์สองคนและการประชุมกลุ่มเล็ก ป้ายผู้พูดที่สร้างบนอุปกรณ์แม่นพอจะใช้งานได้แล้ว (ความแม่นยำระดับประโยค 99.1% ในการทดสอบผู้พูดสองคนของเรา)
เวิร์กโฟลว์อัตโนมัติ บริการคลาวด์เชื่อมกับ CRM สกัดรายการสิ่งที่ต้องทำ ส่งบทสรุปเข้า Slack ได้ เครื่องมือในเครื่องสร้างไฟล์ข้อความ — จะเอาไปทำอะไรต่อคือเรื่องที่คุณต้องทำเอง
ฮาร์ดแวร์รุ่นเก่า iPhone ก่อนชิป A14, Mac ที่ใช้ Intel — อุปกรณ์บางเครื่องรันการประมวลผลในเครื่องได้ไม่ไหวในทางปฏิบัติ คลาวด์ยังคงเป็นทางเลือกเดียว
ถ้าความต้องการหลักของคุณคือการทำงานร่วมกันเป็นทีมระหว่างประชุมสด เครื่องมือคลาวด์น่าจะเหมาะกว่า แต่ถ้าคุณถอดเสียงไฟล์อัดของตัวเองเป็นหลักและให้ความสำคัญกับความเป็นส่วนตัว การประมวลผลในเครื่องคือคำตอบที่ดีกว่า
ทิศทางข้างหน้า
ชิปแต่ละรุ่นมาพร้อมประสิทธิภาพ Neural Engine ที่มากขึ้น โมเดลแต่ละรุ่นมาพร้อมความมีประสิทธิภาพที่ดีขึ้น ช่องว่างระหว่างในเครื่องกับคลาวด์แคบลงเรื่อย ๆ ขณะที่ข้อได้เปรียบด้านความเป็นส่วนตัวและความหน่วงยังคงเดิม
การถอดเสียงบนคลาวด์สมเหตุสมผลในยุคที่โทรศัพท์ยังรันโมเดลเหล่านี้ไม่ได้ ตั้งแต่ราวปี 2022 โทรศัพท์ก็รันได้แล้ว
วันนี้การถอดเสียงในเครื่องใช้งานได้จริงบนฮาร์ดแวร์ของ Apple แล้ว เหตุผลที่ยังเหลือให้จ่ายค่าสมาชิกมีแค่คำบรรยายแบบสดและการแก้ไขร่วมกัน ถ้าคุณไม่ต้องใช้ทั้งสองอย่าง ก็ไม่มีเหตุผลข้อที่สาม
รายละเอียดทางเทคนิค
ความต้องการของอุปกรณ์: iOS 18 ขึ้นไป (แนะนำ iPhone 12 หรือใหม่กว่า) หรือ Mac ที่ใช้ Apple Silicon
โมเดล: Parakeet V3 สำหรับ 25 ภาษายุโรป, SenseVoice Small สำหรับภาษาจีน ญี่ปุ่น เกาหลี และกวางตุ้ง และ Whisper (Large V3 Turbo บน Mac และ Small บน iPhone) สำหรับมากกว่า 100 ภาษา รวมถึงภาษาไทย เอนจินทั้งสามตระกูลรันในเครื่องบน Mac และ iPhone
ความเร็ว: Parakeet V3: เสียง 35 นาทีใน 18 วินาทีบน M4 Pro, SenseVoice: พอดแคสต์ภาษาจีน 27 นาทีใน 14 วินาที, Whisper Turbo: 35 นาทีใน ~3 นาที
AI ในเครื่องในแอป Mac จากเว็บไซต์ของเรา: เปิดฟีเจอร์ AI แล้วโมเดล Gemma ในเครื่องจะสรุปไฟล์อัดเสียง เสนอชื่อเรื่อง และตอบคำถามเกี่ยวกับข้อความถอดเสียงได้โดยไม่ต้องใช้ API บนคลาวด์
ราคา: บน iPhone จ่าย $7.99 ครั้งเดียว บน Mac ใช้ฟรี 5,000 คำต่อสัปดาห์ จากนั้นจ่าย $14 ครั้งเดียว
แปลงเสียงเป็นข้อความออฟไลน์บน Windows และ Android
Whisper Notes ถูกสร้างมาสำหรับ Apple Silicon จึงทำงานได้เฉพาะบน Mac และ iPhone สำหรับแพลตฟอร์มอื่น ตัวเลือกในปัจจุบันคือ:
Windows: Whisper Notes มีเฉพาะบน Mac และ iPhone ดังนั้นตัวเลือกฟรีที่ดีที่สุดคือ Buzz (GUI แบบง่ายสำหรับ Whisper) และ faster-whisper (คอมมานด์ไลน์ เร็วกว่าอิมพลีเมนต์ต้นฉบับหลายเท่าบนฮาร์ดแวร์เดียวกัน) ทั้งคู่ทำงานออฟไลน์เต็มรูปแบบเมื่อดาวน์โหลดโมเดลแล้ว แต่ต้องเตรียมใจกับความยุ่งยากในการติดตั้งมากกว่าแอปเนทีฟ — สภาพแวดล้อม Python ไฟล์โมเดล และไดรเวอร์ GPU ถ้าอยากได้ความเร็ว
Android: whisper.cpp มีพอร์ตสำหรับ Android และแอปห่อหุ้มอยู่บ้าง แต่คุณภาพและการดูแลรักษาไม่แน่นอน ยังไม่มีแอปถอดเสียงออฟไลน์กระแสหลักที่ขัดเกลาดีบน Android — ดูสถานะ Whisper Notes สำหรับ Android ว่าตอนนี้อยู่ตรงไหน
หลายคนค้นหาคำว่า “Whisper Notes Windows” เพราะอยากได้โมเดลออฟไลน์แบบซื้อครั้งเดียวแบบเดียวกันบนพีซี เราไม่ได้ทำเวอร์ชันนั้น และขอบอกตรง ๆ ดีกว่าปล่อยให้คำถามนี้ค้างไว้ (คำอธิบายเต็มอยู่ในหน้า Whisper Notes สำหรับ Windows) ที่การถอดความบนเครื่องทำได้เร็วกว่าเวลาจริง 100 เท่าในวันนี้ ก็เพราะ Neural Engine ของ Apple
การแปลเสียงพูดแบบออฟไลน์: AI ในเครื่องทำอะไรได้และไม่ได้
มีคำถามเกี่ยวเนื่องที่ถูกถามบ่อย: AI ในเครื่องแปลเสียงพูดได้ไหม ไม่ใช่แค่ถอดเสียง? ได้บางส่วน โมเดล Whisper Large V3 ต้นฉบับถูกฝึกด้วยสองภารกิจ — การถอดเสียง และการแปลจากภาษาใดก็ได้เป็นภาษาอังกฤษ เมื่อรันในเครื่อง มันรับเสียงภาษาฝรั่งเศส ญี่ปุ่น หรืออาหรับ แล้วให้ข้อความภาษาอังกฤษออกมาได้แบบออฟไลน์เต็มรูปแบบ มีข้อควรระวังสองข้อ: มันแปลเข้าภาษาอังกฤษเท่านั้น (ไม่ใช่ทิศทางกลับกัน) และความสามารถนี้อยู่ในโมเดล Large V3 ตัวเต็ม — เวอร์ชันที่เร็วกว่าอย่าง Large-v3 Turbo ตัดภารกิจแปลออกเพื่อโฟกัสกับการถอดเสียงโดยเฉพาะ
การแปลเสียงพูดแบบออฟไลน์ยังอยู่ในช่วงเริ่มต้น ยังไม่มีแอปผู้บริโภคที่ได้รับความนิยมกว้างขวางที่แปลเสียงเป็นเสียงแบบเรียลไทม์เทียบเท่าคลาวด์ได้ขณะยังออฟไลน์เต็มรูปแบบ เวิร์กโฟลว์ที่ใช้ได้จริงวันนี้มีสองขั้นตอน: ถอดเสียงในเครื่องก่อน แล้วค่อยแปลข้อความที่ได้ด้วยเครื่องมือที่คุณไว้ใจ ไฟล์เสียงดิบไม่จำเป็นต้องออกจากอุปกรณ์ของคุณเลย
คำถามที่พบบ่อย
ถอดเสียงโดยไม่ต้องเชื่อมต่ออินเทอร์เน็ตได้ไหม?
ได้ Whisper Notes เป็นซอฟต์แวร์ถอดเสียงออฟไลน์ที่ทำงานทั้งหมดบนอุปกรณ์ของคุณ โมเดล AI ทั้งสามตัว — Parakeet V3, SenseVoice และ Whisper — ประมวลผลเสียงในเครื่องด้วย Neural Engine ของ Mac หรือชิป A-series ของ iPhone ไม่มีการอัปโหลดข้อมูล ไม่มีการติดต่อเซิร์ฟเวอร์ คุณทดสอบเองได้ด้วยการเปิดโหมดเครื่องบิน
OpenAI Whisper ทำงานออฟไลน์ได้ไหม?
ได้ OpenAI ปล่อย Whisper เป็นโมเดลโอเพนซอร์ส จึงรันในเครื่องบนฮาร์ดแวร์ของคุณเองได้ Whisper Notes บรรจุ Whisper Large V3 Turbo ให้รันบน Apple Silicon ผ่าน CoreML/Metal — ไม่ต้องใช้ Python ไม่ต้องใช้คอมมานด์ไลน์ ไม่ต้องใช้อินเทอร์เน็ต รองรับการรู้จำเสียงพูดออฟไลน์มากกว่า 100 ภาษา รวมถึงภาษาไทย อ่านเจาะลึกตระกูลโมเดลนี้ได้ในคู่มือการถอดเสียงด้วย Whisper ของเรา
Whisper Notes มีเวอร์ชัน Windows หรือ Android ไหม?
ไม่มี และเราไม่ได้ทำด้วย Whisper Notes รองรับ Mac (ชิป M-series) และ iPhone (12 ขึ้นไป) สำหรับ Windows ทางเลือกคือ faster-whisper (คอมมานด์ไลน์) หรือ Buzz (GUI ห่อหุ้ม Whisper) ส่วนบน Android คือแอปที่สร้างบน whisper.cpp ความเร็วของ Whisper Notes มาจาก Neural Engine ของ Apple ซึ่งทั้งพีซี Windows และมือถือ Android ไม่มีฮาร์ดแวร์กลางแบบเดียวกันให้พัฒนาด้วย
มีแอปถอดเสียงออฟไลน์ฟรีไหม?
บน iPhone Whisper Notes ราคา $7.99 จ่ายครั้งเดียว และการซื้อครั้งเดียวกันใน App Store ใช้กับเวอร์ชัน Mac App Store ได้ด้วย บน Mac ใช้ฟรี 5,000 คำต่อสัปดาห์ จากนั้นจ่าย $14 ครั้งเดียว ทั้งสองเวอร์ชันไม่มีค่าสมัครสมาชิก
Whisper Notes ต่างจาก MacWhisper หรือ faster-whisper อย่างไร?
MacWhisper เป็นหน้ากาก Whisper เฉพาะบน Mac ส่วน faster-whisper เป็นเครื่องมือคอมมานด์ไลน์ Whisper Notes มาพร้อม Parakeet V3, SenseVoice และ Whisper ทั้งบน Mac และ iPhone บวกการพูดสั่งพิมพ์ด้วยปุ่ม Fn ในแอป Mac จากเว็บไซต์ของเรา และการอัดจากหน้าจอล็อกบน iPhone ราคา $7.99 ครั้งเดียวบน iPhone ส่วนบน Mac ใช้ฟรี 5,000 คำต่อสัปดาห์ จากนั้นจ่าย $14 ครั้งเดียว
ซอฟต์แวร์แปลงเสียงเป็นข้อความออฟไลน์ที่ดีที่สุดคืออะไร?
ขึ้นอยู่กับแพลตฟอร์มของคุณ บน Mac และ iPhone Whisper Notes มีเอนจินในเครื่องสามตัวแบบจ่ายครั้งเดียว: $7.99 บน iPhone ส่วนบน Mac ใช้ฟรี 5,000 คำต่อสัปดาห์ จากนั้น $14 บน Windows หรือ Linux มี Buzz (GUI) หรือ faster-whisper (คอมมานด์ไลน์) ที่ฟรีและเป็นโอเพนซอร์ส การป้อนตามคำบอกที่มาในระบบพอสำหรับโน้ตสั้น ๆ แต่ไม่ได้ออกแบบมาสำหรับไฟล์ยาว
แปลงไฟล์เสียงเป็นข้อความออฟไลน์ฟรีได้ไหม?
ได้ Whisper Notes สำหรับ Mac มีช่วงทดลองใช้ฟรี และเครื่องมือโอเพนซอร์สอย่าง whisper.cpp, faster-whisper และ Buzz ฟรีทั้งหมดบนทุกแพลตฟอร์มเดสก์ท็อป บริการคลาวด์ฟรีก็มีเช่นกัน แต่พวกมันอัปโหลดไฟล์เสียงของคุณ — ซึ่งขัดกับจุดประสงค์ ถ้าความเป็นส่วนตัวคือเหตุผลที่คุณค้นหาคำว่า "ออฟไลน์"
รัน Whisper เป็น API ในเครื่องด้วย LocalAI ได้ไหม?
ได้ LocalAI เป็นเซิร์ฟเวอร์ API โอเพนซอร์สที่เข้ากันได้กับ OpenAI และเสิร์ฟโมเดล whisper.cpp ได้ คุณจึงโฮสต์ตัวแทน endpoint ถอดเสียงบนคลาวด์ไว้บนฮาร์ดแวร์ของตัวเองได้เลย เหมาะกับนักพัฒนาที่สร้างไปป์ไลน์แบบออฟไลน์ แต่ถ้าอยากได้โมเดลชุดเดียวกันโดยไม่ต้องตั้งเซิร์ฟเวอร์ Whisper Notes รันพวกมันเป็นแอปเนทีฟบน Mac และ iPhone
ดาวน์โหลดสำหรับ iOS