Whisper Notes App: chuyển giọng nói thành văn bản ngoại tuyến
Đánh giá ứng dụng Whisper Notes sử dụng OpenAI Whisper Large V3 Turbo để phiên âm ngoại tuyến trên iPhone và Mac
Whisper Notes là gì?
Whisper Notes là ứng dụng chuyển giọng nói thành văn bản ngoại tuyến sử dụng mô hình OpenAI Whisper Large V3 Turbo. Xử lý âm thanh hoàn toàn trên thiết bị của bạn — không tải lên đám mây. Được sử dụng bởi các chuyên gia y tế, pháp lý và báo chí để tuân thủ HIPAA và bảo mật hoàn toàn.
Ứng dụng Whisper Notes có 10.000+ người dùng trên toàn thế giới. Các nhà cung cấp dịch vụ y tế sử dụng nó cho ghi chú bệnh nhân. Nhà báo sử dụng nó để phiên âm phỏng vấn. Luật sư sử dụng nó cho việc khai báo. Tất cả ngoại tuyến — âm thanh của bạn không bao giờ rời khỏi thiết bị.
Chi phí ẩn của các ứng dụng Whisper "miễn phí"
Theo kinh nghiệm của chúng tôi, các công cụ phiên âm "miễn phí" tuân theo một mô hình nhất quán: chúng tải âm thanh của bạn lên máy chủ đám mây, xử lý từ xa và giữ lại dữ liệu để cải thiện mô hình của họ. Sản phẩm không phải là phần mềm — mà là giọng nói của bạn.
Dữ liệu giọng nói là vĩnh viễn
Không giống như mật khẩu hoặc số thẻ tín dụng, sinh trắc học giọng nói không thể thay đổi sau khi bị xâm phạm. Vài giây ghi âm ghi lại các chữ ký âm thanh nhận dạng bạn trong các ngữ cảnh khác nhau.
Công nghệ nhân bản giọng nói hiện chỉ cần từ ba đến năm giây âm thanh mẫu. Độ chính xác phát hiện của con người đối với deepfake giọng nói chất lượng cao vẫn chỉ ở mức 24.5%. Năm 2025, một bản sao giọng nói của Bộ trưởng Quốc phòng Ý đã được sử dụng để chiếm đoạt gần một triệu euro. Đây không phải là rủi ro lý thuyết.
Khi bạn tải âm thanh lên dịch vụ phiên âm đám mây, bạn đang tạo ra một bản ghi vĩnh viễn về danh tính sinh trắc học của mình trên cơ sở hạ tầng mà bạn không kiểm soát.
Bối cảnh rò rỉ phiên âm đám mây
Các sự cố bảo mật liên quan đến AI tăng 56.4% vào năm 2024. Tám mươi hai phần trăm các vụ rò rỉ hiện liên quan đến cơ sở hạ tầng đám mây. Y tế đã chứng kiến việc lộ thông tin y tế được bảo vệ thông qua các đại lý phiên âm, tích hợp EHR và các hồ dữ liệu cấu hình sai.
Mô hình có thể dự đoán được: dữ liệu nhạy cảm chảy vào hệ thống AI, khả năng hiển thị giảm, và kẻ tấn công hoặc tai nạn tiết lộ những gì được cho là riêng tư. Bản phiên âm trung tâm liên lạc truyền đến các mô hình trong khi số tài khoản rơi vào nhật ký gỡ lỗi mà không che giấu.
Nửa đầu năm 2025 chứng kiến sự gia tăng mạnh các vụ rò rỉ dữ liệu lớn liên quan đến các danh mục dữ liệu nhạy cảm hơn. Thay vì chỉ tên người dùng và mật khẩu, các vụ rò rỉ hiện tiết lộ hồ sơ di truyền, bản ghi giọng nói và mã định danh sinh trắc học.
Hướng đi
Vào tháng 3 năm 2025, Amazon thông báo sẽ ngừng cài đặt "Không gửi bản ghi giọng nói" trên các thiết bị Echo. Tất cả tương tác của người dùng với thiết bị Alexa hiện được ghi lại và gửi đến máy chủ của Amazon theo mặc định, không có tùy chọn từ chối.
Đây không phải là quyết định cô lập. Các nền tảng lớn đang di chuyển theo hướng thu thập nhiều dữ liệu hơn, không phải ít hơn. Các động lực kinh tế của phát triển AI ủng hộ việc tích lũy dữ liệu huấn luyện. Các tùy chọn quyền riêng tư tồn tại hôm nay có thể không tồn tại ngày mai.
Chúng tôi xây dựng Whisper Notes với kiến trúc ngược lại: không có máy chủ để gửi dữ liệu. Đây không phải là cài đặt có thể thay đổi. Đây là ràng buộc cơ bản của cách ứng dụng được xây dựng.
Giá thực sự của "miễn phí"
Các công cụ web Whisper miễn phí thường sử dụng âm thanh của bạn để cải thiện mô hình của họ. Điều này được tiết lộ trong điều khoản dịch vụ mà ít người dùng đọc. Dịch vụ đám mây tính theo phút từ $0.006 đến $0.40 mỗi phút tích lũy lên hàng trăm đô la hàng năm cho người dùng thường xuyên.
Các dịch vụ đăng ký như Otter.ai tốn khoảng $99 mỗi năm. Trong năm năm, đó là $495—cho một dịch vụ xử lý âm thanh của bạn trên máy chủ từ xa.
Whisper Notes tốn $7.99 một lần. Không đăng ký. Không phí theo phút. Không thu thập dữ liệu. Mô hình kinh doanh đơn giản: bạn trả tiền cho phần mềm, bạn sở hữu phần mềm.
Chi phí mỗi năm
| Loại dịch vụ | Năm 1 | Năm 2 | Năm 3 | Xử lý dữ liệu |
|---|---|---|---|---|
| Whisper Notes | $7.99 | $0 | $0 | Không bao giờ rời thiết bị |
| Dịch vụ đăng ký | $99 | $99 | $99 | Xử lý đám mây |
| Cloud API theo phút | $120-480 | $120-480 | $120-480 | Xử lý đám mây |
| Công cụ web "miễn phí" | $0 | $0 | $0 | Dùng để huấn luyện AI |
Khi nào bạn nên dùng dịch vụ đám mây
Với âm thanh sạch, các mô hình lớn trên đám mây vẫn chính xác hơn đôi chút, vì chúng chạy ở kích thước mà không điện thoại hay laptop nào chứa nổi, và chúng có thể chạy phụ đề ngay trong lúc người ta đang nói — chuyện mà bản chép ngay trên máy chưa theo kịp. Đó là những lợi thế thật và chúng tôi không định làm ngơ.
Nếu bạn cần phụ đề trực tiếp, nếu vài người phải cùng sửa một bản chép trong khi cuộc họp vẫn đang diễn ra, hoặc nếu phần chính xác cuối cùng quan trọng với bạn hơn chuyện tệp âm thanh nằm ở đâu, thì dịch vụ đám mây là công cụ tốt hơn và chúng tôi mong bạn dùng nó.
Điều duy nhất chúng tôi phản đối là lấy khoảng cách chính xác đó làm con số duy nhất trong quyết định. Với công việc có nghĩa vụ bảo mật — hồ sơ bệnh án, tài liệu được bảo vệ, phỏng vấn nguồn tin — "tệp âm thanh đi đâu" là câu hỏi bạn phải trả lời được, và câu trả lời ngắn nhất mà đứng vững là nó chưa từng đi đâu cả.
Tại sao kiến trúc quan trọng: ứng dụng native vs. web wrapper
Khi bạn tìm kiếm "Whisper app", bạn sẽ tìm thấy ba danh mục: công cụ dựa trên web chạy trong trình duyệt của bạn, API đám mây yêu cầu internet, và ứng dụng native được biên dịch đặc biệt cho thiết bị của bạn. Sự khác biệt về kiến trúc quan trọng cho cả quyền riêng tư và hiệu suất.
Web wrapper và công cụ dựa trên trình duyệt
Nhiều công cụ Whisper dựa trên trình duyệt tuyên bố "xử lý cục bộ", điều này chính xác về mặt kỹ thuật. Âm thanh của bạn ở lại trong tab trình duyệt. Nhưng môi trường trình duyệt có những hạn chế cơ bản.
Ràng buộc bộ nhớ buộc sử dụng các mô hình nhỏ hơn. Hầu hết các trình duyệt giới hạn bộ nhớ WebAssembly khoảng 4GB, điều này hạn chế kích thước mô hình có thể chạy. JavaScript thêm chi phí xử lý so với mã native. Một lần sập tab duy nhất mất công việc của bạn mà không có tùy chọn khôi phục.
Các công cụ dựa trên trình duyệt cũng thiếu tích hợp hệ thống. Chúng không thể chạy trong nền khi bạn sử dụng các ứng dụng khác. Chúng không thể truy cập tăng tốc phần cứng hiệu quả. Chúng là các trang web tình cờ làm phiên âm, không phải phần mềm phiên âm.
| Xử lý | WebAssembly/TensorFlow.js trong trình duyệt |
| Kích thước mô hình | Giới hạn bởi bộ nhớ trình duyệt (~4GB) |
| Tốc độ | Chậm hơn do chi phí JavaScript |
| Quyền riêng tư | Tốt hơn đám mây, nhưng trình duyệt có quyền truy cập |
| Độ tin cậy | Tab có thể sập, không xử lý nền |
Ứng dụng native: truy cập phần cứng trực tiếp
Whisper Notes được biên dịch đặc biệt cho macOS và iOS. Nó truy cập Apple Neural Engine trực tiếp — cùng chip chuyên dụng cung cấp năng lượng cho Face ID và nhiếp ảnh tính toán.
Đây không phải là trang web được bọc trong vỏ ứng dụng. Đây là mã native được tối ưu hóa cho phần cứng cụ thể của bạn. Đó cũng là lý do các con số tốc độ trên trang này khả thi: trên một chiếc M4 Pro, Parakeet V3 xử lý xong 35 phút âm thanh trong khoảng 18 giây.
Ứng dụng native có thể chạy trong nền, tích hợp với các dịch vụ hệ thống và khôi phục một cách duyên dáng từ các gián đoạn. Chúng được sandbox bởi hệ điều hành, nghĩa là chúng không thể truy cập dữ liệu từ các ứng dụng khác. Và vì Whisper Notes không yêu cầu quyền mạng, nó thực sự không thể truyền dữ liệu ngay cả khi bị xâm phạm.
| Xử lý | Truy cập Apple Neural Engine trực tiếp |
| Kích thước mô hình | Whisper Large V3 Turbo, khoảng 1,5GB |
| Tốc độ | Parakeet V3 khoảng 60x thời gian thực trên chiếc M5 Air của chúng tôi |
| Quyền riêng tư | Sandbox, không có quyền mạng |
| Độ tin cậy | Xử lý nền, tích hợp hệ thống |
Cloud API: sức mạnh tối đa, lộ diện tối đa
Dịch vụ đám mây có thể chạy các mô hình Whisper lớn nhất vì tài nguyên máy chủ thực tế không giới hạn. Họ có thể cung cấp độ chính xác cao hơn một chút và các tính năng như phiên âm thời gian thực yêu cầu sức mạnh tính toán đáng kể.
Sự đánh đổi: mỗi bản ghi tải lên cơ sở hạ tầng bạn không kiểm soát. Âm thanh của bạn đi qua internet, được xử lý trên máy chủ từ xa và có thể được lưu trữ theo chính sách lưu giữ bạn không chọn.
Đối với các nhà trị liệu bị ràng buộc bởi yêu cầu bảo mật, luật sư xử lý truyền thông đặc quyền, nhà báo bảo vệ nguồn tin, hoặc bất kỳ ai làm việc với thông tin nhạy cảm, xử lý đám mây thường là yếu tố loại trừ bất kể lợi ích về độ chính xác.
| Xử lý | Máy chủ từ xa (compute không giới hạn) |
| Kích thước mô hình | Các mô hình lớn nhất có sẵn |
| Tốc độ | Phụ thuộc vào internet và hàng đợi máy chủ |
| Quyền riêng tư | Âm thanh được tải lên và có thể được lưu trữ |
| Độ tin cậy | Yêu cầu internet, chịu giới hạn tốc độ |
Chúng tôi đã đánh đổi những gì để làm theo cách này
Làm ứng dụng native là cách duy nhất để chuyện riêng tư trở thành một ràng buộc kỹ thuật thay vì một cam kết trên hợp đồng. "Xử lý cục bộ rồi đồng bộ" và "mã hóa khi truyền" đều là những câu đúng, nhưng những hệ thống ấy rốt cuộc vẫn giữ một bản sao âm thanh của bạn. Chúng tôi muốn phiên bản không có bản sao nào để mà giữ.
Cái giá phải trả nằm ở tính năng. Chúng tôi không làm được phụ đề trực tiếp khi bạn đang nói, vì những mô hình làm tốt việc đó không vừa với một chiếc điện thoại. Chúng tôi không chạy được mô hình lớn hơn sức chứa của thiết bị bạn. Và chúng tôi không cung cấp được chỉnh sửa chung hay không gian làm việc nhóm, vì những thứ đó cần máy chủ mà chúng tôi thì không có.
Nếu một trong ba điều đó nằm trong danh sách của bạn thì đây là ứng dụng sai, và một dịch vụ đám mây mới là lựa chọn đúng. Chúng tôi thà nói ở đây còn hơn để bạn phát hiện ra sau khi đã mua.
Mô hình nào đang làm việc?
Ba engine, và cách chọn một cái
Thông số kỹ thuật
| Mô hình AI | Parakeet V3 (mặc định), Whisper Large V3 Turbo (Mac) hoặc Whisper Small (iPhone), SenseVoice |
| Ngôn ngữ | 101 lựa chọn qua Whisper, 25 ngôn ngữ châu Âu qua Parakeet V3, 6 lựa chọn qua SenseVoice |
| Định dạng âm thanh | MP3, WAV, M4A, FLAC, AAC, OGG, WMA |
| Tốc độ | Parakeet V3 khoảng 60x thời gian thực trên chiếc M5 Air của chúng tôi; nhánh Whisper Turbo khoảng 11x |
| Kích thước tệp | Ứng dụng không đặt giới hạn nào |
| Nền tảng | iOS 18+, macOS 11+ (tối ưu hóa Apple Silicon) |
Nó thực sự làm được gì?
Ba việc gánh phần lớn nhu cầu hằng ngày: đưa âm thanh vào, lấy văn bản ra, và ràng buộc giữ cả hai ở lại trên thiết bị.
Nhập tệp và xử lý hàng loạt
Nhập tệp âm thanh để phiên âm ngoại tuyến. Ứng dụng Whisper Notes xử lý tệp bằng ngữ cảnh đầy đủ để có độ chính xác tốt hơn.
- ✓Nhập từ Files, Voice Memos, bất cứ đâu
- ✓Ghi âm trước, phiên âm sau để có độ chính xác tốt nhất
- ✓Xử lý hàng loạt nhiều tệp
- ✓Xử lý nền trong khi sử dụng các ứng dụng khác
- ✓Tự động tổ chức tệp
Tùy chọn xuất
Nhiều định dạng đầu ra từ văn bản đến phụ đề.
- ✓Văn bản thuần túy có định dạng
- ✓Tệp phụ đề SRT và VTT
- ✓Bản phiên âm có dấu thời gian
- ✓Nhãn người nói
- ✓Ngắt đoạn tùy chỉnh
Bảo vệ quyền riêng tư
Âm thanh không có đường tải lên. Đây không phải một tùy chọn cài đặt mà là ràng buộc kỹ thuật của ứng dụng, và bạn tự kiểm chứng được bằng chế độ máy bay.
- ✓Không truyền dữ liệu — xử lý ngoại tuyến
- ✓Không có bên xử lý thứ ba nào cần BAA bao phủ
- ✓Lưu trữ cục bộ được mã hóa
- ✓Không có máy chủ đám mây — chạy hoàn toàn trên thiết bị của bạn
- ✓Dấu vết kiểm toán cho sử dụng doanh nghiệp
Chính xác đến đâu, và con số đó lấy từ đâu?
Các bảng đo công khai, cộng với phép đo của chúng tôi trên một máy có nêu tên
Chúng tôi không tự làm nghiên cứu về độ chính xác, vì nhà sản xuất tự chấm bài mình thì chẳng đáng tin. Các tỷ lệ lỗi bên dưới lấy từ Hugging Face Open ASR Leaderboard và bảng đo FLEURS. Cả hai đều công khai và do những người không hưởng lợi gì từ ứng dụng này vận hành. Riêng các con số về tốc độ là của chúng tôi, đo trên một máy có nêu rõ cấu hình.
Tỷ lệ lỗi từ theo mô hình
| Mô hình | Nguồn | Tỷ lệ lỗi | Ghi chú |
|---|---|---|---|
| Parakeet V3 (mặc định trên Mac) | Open ASR Leaderboard | WER tiếng Anh 6,32% | 25 ngôn ngữ châu Âu; trung bình cả 25 trên FLEURS là 12,0% |
| Whisper Large V3 Turbo | Open ASR Leaderboard | WER tiếng Anh 7,83% | Phủ rộng nhất trong ba: 101 lựa chọn ngôn ngữ |
| SenseVoice Small | Chúng tôi tự đo, M4 Pro | Podcast 27 phút trong 13,83 giây | Được xây riêng cho tiếng Trung, Nhật, Hàn và Quảng Đông |
Key Findings
- •Parakeet V3 gỡ băng 35 phút âm thanh trong 18 giây trên M4 Pro; cùng tệp đó Whisper Turbo mất khoảng ba phút
- •Với tiếng Anh, ba mô hình cách nhau chưa tới hai điểm tỷ lệ lỗi
- •Các con số này đo trên giọng đọc và lời nói có chuẩn bị. Bản ghi của chính bạn sẽ kém hơn, và micro hay việc mọi người nói chồng lên nhau ảnh hưởng nhiều hơn cả việc chọn mô hình
Với âm thanh sạch, các mô hình lớn trên đám mây vẫn nhỉnh hơn một chút, vì chúng chạy ở kích thước mà không điện thoại hay laptop nào chứa nổi. Khoảng cách đó là cái giá để âm thanh không bao giờ rời khỏi máy. Nếu công việc của bạn không cần điểm cuối cùng đó, đánh đổi này thường xứng đáng. Nếu cần, lời khuyên thật lòng là dùng dịch vụ đám mây.
So với các lựa chọn khác thì thế nào?
So với dịch vụ đám mây, với công cụ đã có sẵn trên máy bạn, và với phần mềm doanh nghiệp
Phần lớn bảng này bạn tự kiểm chứng được trong vài phút. Hàng cần đọc kỹ là hàng độ chính xác, vì bốn nhóm không được đo trên cùng một bảng đo.
Bảng so sánh
| Tính năng | Ứng dụng Whisper Notes | Dịch vụ đám mây | Công cụ tích hợp | Phần mềm doanh nghiệp |
|---|---|---|---|---|
| Độ chính xác (WER tiếng Anh) | 6,32-7,83% (Open ASR Leaderboard) | Số do nhà cung cấp tự công bố, phần lớn không có trên bảng đó | Không công bố | Không công bố |
| Âm thanh được xử lý ở đâu | Trên thiết bị của bạn | Máy chủ của nhà cung cấp | Tùy nhà cung cấp | Tùy chọn on-premise |
| Chi phí | $7.99 iPhone, $14 Mac, trả một lần | $0.006-0.40/phút | Miễn phí (hạn chế) | $500-2000/giấy phép |
| Ngôn ngữ | 101 lựa chọn ngôn ngữ | 50-100 ngôn ngữ | 10-30 ngôn ngữ | 20-50 ngôn ngữ |
| Giới hạn độ dài tệp | Ứng dụng không đặt giới hạn nào | Thường 1-2 giờ | 5-10 phút | Khác nhau |
| Internet | Không | Có | Đôi khi | On-premise: Không |
Market Position: Đặt ba lựa chọn cạnh nhau thì sự đánh đổi trở nên rõ ràng. Một API đám mây đầu bảng vẫn chính xác hơn một chút với âm thanh sạch, và nó tính $0.006 đến $0.40 mỗi phút, với bản ghi của bạn nằm trên ổ đĩa của người khác. Phiên âm doanh nghiệp on-premise giữ âm thanh bên trong mạng của bạn và bắt đầu từ khoảng $500 mỗi chỗ ngồi. Whisper Notes chạy các mô hình mở trên phần cứng bạn đã có, giá $7.99 trên iPhone hoặc $14 trên Mac, và đổi lại là không có phụ đề trực tiếp, không có chỉnh sửa chung, và chấp nhận mất phần chính xác cuối cùng. Nếu một trong ba điều đó nằm trong danh sách của bạn thì một trong hai lựa chọn kia mới là món đáng mua.
Nó hợp với những công việc nào?
Ba loại công việc mà bản ghi không được phép đi đâu cả
Y tế
Nhân viên y tế dùng Whisper Notes cho hồ sơ bệnh nhân, ghi chú lâm sàng và phỏng vấn nghiên cứu. Vì âm thanh không bao giờ đến máy chủ nào của chúng tôi, không có bên xử lý thứ ba nào cần BAA bao phủ. Toàn bộ quy trình có đạt HIPAA hay không vẫn phụ thuộc vào cách chính chiếc máy đó được bảo mật — và nếu đồng nghiệp cần mở và bình luận trên cùng một ghi chú, một dịch vụ đám mây đã ký BAA mới là câu trả lời thực tế hơn.
Use Cases
- •Ghi chú tư vấn bệnh nhân
- •Tài liệu thủ tục y tế
- •Phiên âm phỏng vấn nghiên cứu
- •Ghi âm phiên y tế từ xa
- •Nội dung đào tạo lâm sàng
Benefits
- ✓Không có chính sách chia sẻ dữ liệu nào phải tin, vì chẳng có gì được gửi đi
- ✓Từ điển riêng cho thuật ngữ lâm sàng và tên thuốc
- ✓Dữ liệu sức khỏe không rời khỏi thiết bị, vì không có đường tải lên
- ✓Một buổi tư vấn 20 phút được phiên âm xong trong chưa tới một phút trên Mac dùng Apple Silicon
Pháp lý
Luật sư dùng Whisper Notes cho lời khai, phỏng vấn thân chủ và chuẩn bị hồ sơ. Bản ghi ở lại trên máy, nên không nhà cung cấp nào giữ một bản sao. Điều nó không giải quyết thay bạn là nghĩa vụ của chính bạn: một quy trình có thỏa mãn quy tắc bảo mật của khu vực tài phán nơi bạn hành nghề hay không vẫn phụ thuộc vào cách thiết bị, bản sao lưu và các tệp xuất ra được xử lý.
Use Cases
- •Tài liệu phỏng vấn thân chủ
- •Phiên âm lời khai
- •Ghi chú nghiên cứu hồ sơ
- •Ghi âm thủ tục pháp lý
- •Phỏng vấn điều tra
Benefits
- ✓Chúng tôi không giữ bản sao nào của bản ghi lẫn bản phiên âm
- ✓Từ điển riêng cho tên vụ án và thuật ngữ pháp lý
- ✓Bản phiên âm có dấu thời gian, xuất ra văn bản, SRT, VTT hoặc JSON
- ✓$7.99 trên iPhone hoặc $14 trên Mac, trả một lần, so với thuê phiên âm tính theo phút
Báo chí
Phóng viên dùng Whisper Notes cho phỏng vấn nguồn tin và ghi âm hiện trường. Không máy chủ nào giữ âm thanh, nên bản sao duy nhất nằm trên chính thiết bị của bạn. Điều đó chuyển việc bảo vệ nguồn tin từ chính sách lưu trữ của chúng tôi, thứ bạn không kiểm chứng được, sang bảo mật thiết bị của bạn, thứ bạn kiểm chứng được. Nếu tòa soạn cần nhiều người cùng sửa một bản phiên âm trong lúc sự kiện đang diễn ra thì đó là việc của công cụ đám mây.
Use Cases
- •Phiên âm phỏng vấn nguồn tin
- •Tài liệu ghi âm hiện trường
- •Ghi chú họp báo
- •Lưu trữ phỏng vấn nghiên cứu
- •Sản xuất podcast
Benefits
- ✓Không có gì về bản ghi hay bản phiên âm được gửi đi đâu cả
- ✓Chạy được khi thiết bị ngoại tuyến, và đó cũng là cách bạn kiểm chứng điều này
- ✓Không cần tài khoản, nên không có lịch sử đăng nhập nào gắn một cuộc phỏng vấn với bạn
- ✓Xuất ra văn bản, SRT, VTT hoặc JSON cho các công cụ tòa soạn đang dùng
Nó nhanh đến đâu, và hụt ở chỗ nào?
Những con số chúng tôi đo được, và những thứ thiết kế này loại trừ
Chúng tôi đo gì, và đo trên máy nào
Tốc độ phụ thuộc vào máy và vào engine bạn chọn, nên đưa một con số nhân duy nhất cho cả ứng dụng sẽ gây hiểu lầm. Dưới đây là các lần chạy của chính chúng tôi, tính giờ thực từ lúc bắt đầu đến khi ra văn bản cuối, trên phần cứng được nêu rõ.
Parakeet V3, engine mặc định
Một bản ghi cuộc họp dài 17,5 phút hoàn tất trong 16,7 giây trên chiếc M5 Air của chúng tôi — khoảng 60x thời gian thực
25 ngôn ngữ châu Âu; lần chạy của chính chúng tôi, một máy
Nhánh Whisper Turbo
Trên cùng đường đi đó, Whisper Large V3 Turbo chạy gần 11x thời gian thực, và đó là cái giá của 101 lựa chọn ngôn ngữ
Các lần chạy của chính chúng tôi; Turbo là nhánh phủ rộng nhất, không phải nhánh nhanh nhất
Thiết bị cũ và nhỏ hơn
iPhone xử lý xong một tệp chậm hơn Mac dùng Apple Silicon, và khoảng cách nới rộng theo tuổi con chip. Tệp dài vẫn chạy xong, chỉ là lâu hơn theo tỷ lệ
iPhone 12 trở lên, hoặc Mac dùng Apple Silicon
Lưu trữ
Bản phiên âm rất nhỏ, khoảng 0,1MB mỗi giờ âm thanh. Thứ chiếm chỗ thật sự là các mô hình: Whisper Large V3 Turbo khoảng 1,5GB, hai cái còn lại nhỏ hơn
Parakeet V3 có sẵn trong ứng dụng iPhone; các mô hình khác tải về ngay trong ứng dụng
Những hạn chế đã biết
Chạy mô hình trên thiết bị đặt ra những giới hạn cứng, và kiểm chứng chúng trước khi mua thì dễ hơn sau khi mua. Mức miễn phí trên Mac cho 5.000 từ mỗi tuần đúng là vì lý do đó.
Yêu cầu thiết bị
Cần iPhone 12 trở lên, hoặc một chiếc Mac dùng Apple Silicon. Phần cứng cũ hơn không đủ hiệu năng Neural Engine để việc này khả thi.
Impact: Không tương thích với thiết bị cũ hơn 4-5 năm
Thời gian xử lý
Thời gian xử lý tăng theo độ dài bản ghi. Không có cách nào lách khỏi vật lý của việc tính toán ngay trên thiết bị.
Impact: Với các tốc độ ở trên, một tệp bốn giờ mất vài phút trên Mac và lâu hơn trên iPhone
Phụ thuộc chất lượng âm thanh
Âm thanh kém hoặc tiếng ồn nền lớn làm giảm độ chính xác, và mô hình không khôi phục được thông tin vốn không có trong tín hiệu.
Impact: Vị trí đặt micro và việc nói chồng lên nhau ảnh hưởng tới tỷ lệ lỗi nhiều hơn cả việc chọn mô hình
Không có phụ đề trực tiếp
Ứng dụng phiên âm bản ghi sau khi ghi xong chứ không hiện phụ đề trong lúc bạn nói. Phụ đề trực tiếp ở mức chất lượng đó cần một lớp mô hình không vừa với điện thoại, và xử lý trọn tệp cũng cho mô hình nhiều ngữ cảnh hơn.
Impact: Nếu bạn cần phụ đề hiện trên màn hình ngay trong sự kiện thì đây là công cụ sai
Trộn ngôn ngữ
Gặp khó khăn với chuyển đổi ngôn ngữ nhanh trong một bản ghi
Impact: Tốt nhất với ngôn ngữ nhất quán trong suốt
Kết luận
Tải ứng dụng Whisper Notes
Giọng nói thành văn bản ngoại tuyến cho iPhone và Mac. Phiên âm tập trung quyền riêng tư.
Tải cho iOSỨng dụng Whisper Notes trên iOS và macOS • $7.99 một lần • Không đăng ký