Whisper Notes App：離線語音轉文字 App
用 OpenAI Whisper Large V3 Turbo 在 iPhone 和 Mac 上離線轉錄的完整評測
什麼是 Whisper Notes？
Whisper Notes 是用 OpenAI Whisper Large V3 Turbo 模型的離線語音轉文字 app。在你的裝置上處理音訊 - 零雲端上傳。醫療、法律、新聞業都在用：音訊不經過任何第三方處理者。
Whisper Notes app 有 10,000+ 用戶。醫療用來寫患者筆記。記者用來轉錄訪談。律師用來記證詞。全部離線 - 音訊不離開裝置。
「免費」Whisper 應用程式的隱藏成本
根據我們的經驗，「免費」轉錄工具遵循一致的模式：它們將您的音訊上傳到雲端伺服器，遠端處理，並保留資料以改進其模型。產品不是軟體——而是您的聲音。
聲音資料是永久的
與密碼或信用卡號不同，聲紋生物特徵在洩露後無法更改。幾秒鐘的錄音就能捕獲在不同情境中識別您的聲學特徵。
聲音複製技術現在只需要 3-5 秒的樣本音訊。人類對高品質聲音深度偽造的偵測準確率僅為 24.5%。2025 年，義大利國防部長的聲音複製被用於騙取近 100 萬歐元。這不是理論上的風險。
當您將音訊上傳到雲端轉錄服務時，您正在您無法控制的基礎設施上建立您生物特徵身份的永久記錄。
雲端轉錄安全洩露現況
AI 相關安全事件在 2024 年增加了 56.4%。現在 82% 的洩露涉及雲端基礎設施。醫療保健領域透過轉錄代理、EHR 整合和配置錯誤的資料湖看到了受保護健康資訊的暴露。
這種模式是可預測的：敏感資料流入 AI 系統，可見性下降，攻擊者或事故暴露了本應私密的內容。客服中心的轉錄流向模型，而帳號在沒有遮罩的情況下落入除錯日誌。
2025 年上半年，涉及更敏感資料類別的重大資料洩露急劇上升。不僅僅是使用者名稱和密碼，現在的洩露還暴露了基因檔案、聲音錄音和生物特徵識別碼。
發展方向
2025 年 3 月，亞馬遜宣布將停止 Echo 裝置上的「不傳送語音錄音」設定。現在所有與 Alexa 裝置的使用者互動都預設被錄製並傳送到亞馬遜的伺服器，沒有選擇退出的選項。
這不是一個孤立的決定。主要平台正在朝著更多資料收集的方向發展，而不是更少。AI 開發的經濟激勵傾向於累積訓練資料。今天存在的隱私選項明天可能就不存在了。
我們用相反的架構建構了 Whisper Notes：沒有伺服器可以傳送資料。這不是可以更改的設定。這是應用程式建構方式的根本約束。
「免費」的真實代價
免費的 Whisper 網頁工具經常使用您的音訊來改進他們的模型。這在很少有使用者閱讀的服務條款中披露。每分鐘 $0.006 到 $0.40 的雲端服務對於常規使用者來說每年累計達數百美元。
像 Otter.ai 這樣的訂閱服務每年大約 $99。五年就是 $495——為一個在遠端伺服器上處理您音訊的服務。
Whisper Notes 只需 $7.99 一次。沒有訂閱。沒有按分鐘收費。沒有資料收集。商業模式很簡單：您為軟體付費，您擁有軟體。
每年成本
| 服務類型 | 第 1 年 | 第 2 年 | 第 3 年 | 資料處理 |
|---|---|---|---|---|
| Whisper Notes | $7.99 | $0 | $0 | 永不離開裝置 |
| 訂閱服務 | $99 | $99 | $99 | 雲端處理 |
| 按分鐘雲端 API | $120-480 | $120-480 | $120-480 | 雲端處理 |
| 「免費」網頁工具 | $0 | $0 | $0 | 用於 AI 訓練 |
什麼情況下你該去用雲端服務
在乾淨的音訊上，雲端的大模型確實還要更準一些，因為它們跑在任何手機和筆電都裝不下的尺寸上；它們也能做到邊說邊出字幕，這一點裝置端目前還追不上。這些是真實的優勢，我們不打算裝作看不見。
如果你需要即時字幕，或者要幾個人在會議進行中同時改同一份逐字稿，又或者最後那一點點準確率比「音訊放在哪」更重要，那雲端服務就是更合適的工具，我們寧願你去用。
我們想反駁的只有一件事：不要把準確率的差距當成決策裡唯一的數字。做的是有保密義務的活——病歷、涉密資料、對消息來源的採訪——「音訊去了哪」是你必須能回答的問題，而最經得起追問的答案，是它哪兒也沒去。
架構為何重要：原生應用程式 vs. 網頁封裝
當您搜尋「Whisper app」時，您會發現三類：在瀏覽器中執行的網頁工具、需要網路的雲端 API，以及專門為您的裝置編譯的原生應用程式。架構差異對隱私和效能都很重要。
網頁封裝和瀏覽器工具
許多基於瀏覽器的 Whisper 工具聲稱「本機處理」，這在技術上是準確的。您的音訊留在瀏覽器分頁中。但瀏覽器環境有根本性的限制。
記憶體限制迫使使用更小的模型。大多數瀏覽器將 WebAssembly 記憶體限制在約 4GB，這限制了可以執行的模型大小。JavaScript 相比原生程式碼增加了處理開銷。一個分頁當機就會失去您的工作，沒有復原選項。
基於瀏覽器的工具也缺乏系統整合。當您使用其他應用程式時，它們無法在背景執行。它們無法有效存取硬體加速。它們是碰巧做轉錄的網頁，不是轉錄軟體。
| 處理 | 瀏覽器中的 WebAssembly/TensorFlow.js |
| 模型大小 | 受瀏覽器記憶體限制（~4GB） |
| 速度 | 因 JavaScript 開銷而較慢 |
| 隱私 | 比雲端好，但瀏覽器可存取 |
| 可靠性 | 分頁可能當機，無背景處理 |
原生應用程式：直接硬體存取
Whisper Notes 專門為 macOS 和 iOS 編譯。它直接存取 Apple 的神經引擎——驅動 Face ID 和計算攝影的同一專用晶片。
這不是包裝在應用程式殼中的網頁。它是為您特定硬體最佳化的原生程式碼。這一頁上的速度數字全靠它：在 M4 Pro 上，Parakeet V3 處理完 35 分鐘的音訊大約要 18 秒。
原生應用程式可以在背景執行，與系統服務整合，並從中斷中優雅復原。它們被作業系統沙盒化，意味著它們無法存取其他應用程式的資料。而且你的錄音和轉錄文字根本沒有上傳通道——打開飛航模式，轉錄照樣全速運行。
| 處理 | 直接存取 Apple 神經引擎 |
| 模型大小 | Whisper Large V3 Turbo，約 1.5GB |
| 速度 | Parakeet V3 在我們的 M5 Air 上約 60 倍即時 |
| 隱私 | 沙盒化，無網路權限 |
| 可靠性 | 背景處理，系統整合 |
雲端 API：最大算力，最大暴露
雲端服務可以執行最大的 Whisper 模型，因為伺服器資源實際上是無限的。它們可以提供略高的準確率和需要大量計算能力的即時轉錄等功能。
代價是：每個錄音都上傳到您無法控制的基礎設施。您的音訊穿越網際網路，在遠端伺服器上處理，並可能根據您沒有選擇的保留政策被儲存。
對於受保密要求約束的治療師、處理特權通訊的律師、保護消息來源的記者，或任何處理敏感資訊的人，雲端處理通常是一個取消資格的因素，無論準確率優勢如何。
| 處理 | 遠端伺服器（無限計算） |
| 模型大小 | 最大可用模型 |
| 速度 | 取決於網路和伺服器佇列 |
| 隱私 | 音訊上傳並可能被儲存 |
| 可靠性 | 需要網路，受速率限制 |
這樣做，我們放棄了什麼
做成原生應用程式，是讓隱私這件事從「合約承諾」變成「結構約束」的唯一辦法。「先本機處理再同步」和「傳輸過程加密」都是真話，但這兩種系統最後仍然留著你音訊的一份副本；我們想要的是那個沒有副本可留的版本。
代價體現在功能上。我們做不到邊錄邊出字幕，因為能把這件事做好的模型裝不進手機。我們跑不了比你裝置容量更大的模型。我們也提供不了多人協同編輯或團隊工作區，因為那些都需要一台伺服器，而我們沒有。
這三件事裡只要有一件在你的清單上，那這就不是合適的應用程式，某個雲端服務才是。與其讓你買完才發現，不如現在就寫在這裡。
幹活的到底是哪個模型？
三個引擎，以及怎麼選
技術規格
| AI 模型 | Parakeet V3（預設）、Whisper Large V3 Turbo（Mac）或 Whisper Small（iPhone）、SenseVoice |
| 語言 | Whisper 有 101 個語言選項，Parakeet V3 有 25 種歐洲語言，SenseVoice 有 6 個 |
| 音頻格式 | MP3, WAV, M4A, FLAC, AAC, OGG, WMA |
| 處理速度 | Parakeet V3 在我們的 M5 Air 上約 60 倍即時；Whisper Turbo 路線約 11 倍 |
| 文件大小限制 | 應用程式本身不設限制 |
| 平台 | iOS 18+, macOS 11+（針對 Apple Silicon 優化） |
它到底能做什麼？
日常用得最多的是三件事：把音訊弄進來，把文字弄出去，以及讓這兩件事都留在裝置上的那條約束。
離線文件導入
導入音頻文件或完成的錄音以進行高精度離線 AI 轉錄。這個離線語音轉文字應用程式使用完整語境分析來處理文件，以最大化準確性，與在線語音轉文字服務相比提供優秀結果。
- ✓從各種來源導入音頻文件（文件、語音備忘錄等）
- ✓先錄製音頻，然後轉錄以獲得最佳準確性
- ✓在使用其他應用程式時進行背景離線語音轉文字處理
- ✓自動文件組織和轉錄管理
高級導出選項
為不同用例量身定制的專業級輸出格式，從簡單文本文檔到視頻內容的字幕文件。
- ✓可自定義格式的純文本
- ✓視頻的 SRT 和 VTT 字幕文件
- ✓帶時間戳的轉錄供參考
- ✓說話者識別和標記
- ✓自定義段落分割
完整隱私：真正的離線語音轉文字處理
音訊沒有上傳通道，這不是一項設定，而是這個應用程式的技術約束——打開飛航模式就能自己驗證。
- ✓完整離線語音轉文字處理（無數據傳輸）
- ✓鏈路裡沒有需要簽 BAA 的第三方資料處理者
- ✓所有離線 AI 轉錄的加密本地存儲
- ✓無雲依賴 - 真正的離線轉錄軟件
- ✓企業離線語音轉文字環境的審計追蹤
到底有多準，這個數字是哪來的？
公開基準，加上我們自己在指名機器上的實測
我們不做自家的準確率測試——廠商給自己打分，沒什麼參考價值。下面的詞錯誤率來自 Hugging Face Open ASR Leaderboard 和 FLEURS 基準，兩個都是公開的，也都由跟這款應用沒有利害關係的人在維護。速度數字是我們自己測的，機器型號寫在下面。
各模型的詞錯誤率
| 模型 | 來源 | 錯誤率 | 說明 |
|---|---|---|---|
| Parakeet V3（Mac 預設） | Open ASR Leaderboard | 英語 WER 6.32% | 涵蓋 25 種歐洲語言；在 FLEURS 上這 25 種平均 12.0% |
| Whisper Large V3 Turbo | Open ASR Leaderboard | 英語 WER 7.83% | 三者中涵蓋最廣：101 個語言選項 |
| SenseVoice Small | 我們自測，M4 Pro | 27 分鐘 podcast 13.83 秒 | 專為中文、日語、韓語和粵語打造 |
Key Findings
- •Parakeet V3 在 M4 Pro 上把 35 分鐘音訊轉完只要 18 秒；同一個檔案 Whisper Turbo 要三分鐘左右
- •在英語上，三個模型之間的詞錯誤率差距不到兩個百分點
- •這些數字測的是朗讀和有準備的講話。你自己的錄音會更差，而且麥克風和幾個人搶話對結果的影響，比選哪個模型大得多
在乾淨音訊上，雲端大模型仍然領先一點點，因為它們跑在任何手機和筆電都裝不下的尺寸上。這段差距就是「音訊永遠不離開裝置」的代價。如果你的工作不需要最後那一個百分點，這筆交換通常值。如果需要，那老實說你該用雲端服務。
跟其他方案比起來怎麼樣？
對上雲端服務、你裝置上已有的工具，以及企業軟體
這張表裡的大部分內容，你花幾分鐘就能自己核實。要仔細讀的是準確率那一行——這四類產品並不是在同一個基準上測出來的。
功能對比
| 功能 | Whisper Notes | 雲服務 | 內置工具 | 企業軟件 |
|---|---|---|---|---|
| 準確率（英語 WER） | 6.32-7.83%（Open ASR Leaderboard） | 廠商自報，多數沒上這個榜單 | 未公布 | 未公布 |
| 音訊在哪裡被處理 | 在你的裝置上 | 廠商的伺服器 | 因廠商而異 | 可本地部署 |
| 價格 | iPhone $7.99，Mac $14，只付一次 | $0.006-0.40/分鐘 | 免費（有限） | $500-2000/許可證 |
| 語言 | 101 個語言選項 | 50-100 語言 | 10-30 語言 | 20-50 語言 |
| 檔案長度限制 | 應用程式本身不設限制 | 通常 1-2 小時 | 5-10 分鐘 | 不等 |
| 需要互聯網 | 否 | 是 | 有時 | 本地部署：否 |
Market Position: 三個選項並排放著，這筆交換就清楚了。前沿雲端 API 在乾淨音訊上仍然更準一點，代價是每分鐘 $0.006 到 $0.40，以及你的錄音存在別人的硬碟上。企業級的本地部署轉錄把音訊留在你自己的網路裡，起步價大約每個席位 $500。Whisper Notes 把這些開源模型跑在你已經擁有的硬體上，iPhone $7.99、Mac $14，代價是放棄即時字幕、多人協同編輯，以及最後那一點點準確率。這三樣裡只要有一樣在你的清單上，另外兩個選項之一才是更該買的。
哪些工作適合用它？
三類錄音不能外傳的工作
醫療保健
醫師用 Whisper Notes 記門診、寫臨床筆記、轉錄研究訪談。音訊從來沒到過我們的伺服器，所以鏈路裡沒有需要 BAA 涵蓋的第三方處理者。整套流程是否滿足 HIPAA，仍然取決於這台裝置本身怎麼管；而如果同事們需要打開同一份筆記並批註，一個簽了 BAA 的雲端服務反而更實際。
Use Cases
- •患者諮詢文檔
- •醫療程序筆記和觀察
- •研究訪談轉錄
- •遠端醫療會話記錄
- •臨床培訓內容
Benefits
- ✓沒有需要你去信任的資料共享政策，因為什麼都沒發出去
- ✓可自訂詞庫，收錄臨床術語和藥品名
- ✓PHI 不會離開裝置，因為根本沒有上傳通道
- ✓20 分鐘的門診，在 Apple Silicon Mac 上不到一分鐘就轉完
法律
律師用 Whisper Notes 做證詞、當事人訪談和案件準備。錄音留在裝置上，所以沒有哪個廠商手裡存著一份。它替你解決不了的是你自己的義務：某套流程是否滿足你所在法域的保密規則，仍然取決於這台裝置、它的備份和它的匯出是怎麼處理的。
Use Cases
- •當事人訪談文檔
- •證詞轉錄
- •案件研究和準備筆記
- •法律程序記錄
- •調查訪談
Benefits
- ✓我們手裡沒有錄音，也沒有轉錄稿
- ✓可自訂詞庫，收錄案件名稱和法律術語
- ✓帶時間戳的轉錄稿，可匯出為文字、SRT、VTT 或 JSON
- ✓iPhone $7.99 或 Mac $14，只付一次，對比按分鐘計費的外包轉錄
新聞業
記者用 Whisper Notes 轉錄消息來源訪談和現場錄音。沒有伺服器存著這段音訊，所以副本只在你自己的裝置上。這等於把消息來源保護從我們的留存政策（你沒法驗證）挪到了你自己的裝置安全（這個你能驗證）。如果編輯台需要幾個人在活動進行中同時改同一份轉錄稿，那是雲端工具的活。
Use Cases
- •消息來源訪談轉錄
- •現場錄音記錄
- •記者會記錄
- •研究訪談存檔
- •podcast 製作
Benefits
- ✓錄音和轉錄稿都不會被發到任何地方
- ✓斷網也能用，而這也正是你驗證這句話的方式
- ✓不需要帳號，所以沒有登入紀錄把某次訪談和你關聯起來
- ✓可匯出為文字、SRT、VTT 或 JSON，接編輯台現成的工具
它有多快，又在哪裡不行？
我們實測出來的數字，以及這個設計注定做不到的事
我們測了什麼，在什麼機器上測的
速度取決於機器和你選的引擎，所以給整個應用程式一個統一的倍數會誤導人。下面是我們自己跑的，從開始到出最終文字的實際耗時，機器型號都寫出來。
Parakeet V3，預設引擎
一段 17.5 分鐘的會議錄音，在我們的 M5 Air 上 16.7 秒轉完——約 60 倍即時
25 種歐洲語言；我們自己跑的，一台機器
Whisper Turbo 這條路線
同一條路徑上，Whisper Large V3 Turbo 接近 11 倍即時，這是它那 101 個語言選項的代價
我們自己跑的；Turbo 是涵蓋最廣的那條路線，不是最快的那條
更舊、更小的裝置
iPhone 跑完一個檔案比 Apple Silicon Mac 慢，晶片越舊差距越大。長檔案照樣能跑完，只是時間按比例拉長
iPhone 12 或更新機型，或者一台 Apple Silicon Mac
儲存空間
轉錄稿很小，每小時音訊約 0.1MB。真正佔地方的是模型：Whisper Large V3 Turbo 約 1.5GB，另外兩個更小
Parakeet V3 內建在 iPhone 應用程式裡；另外兩個模型在應用程式內下載
已知限制
把模型放在裝置上跑會帶來一些硬性的限制，而這些限制買之前驗證比買之後容易。Mac 版每週免費 5,000 字，正是為了這個。
裝置要求
需要 iPhone 12 或更新機型，或者一台 Apple Silicon Mac。更舊的硬體在神經網路引擎上的效能不足以讓這件事變得實用。
Impact: 四五年以上的裝置不相容
處理時間
處理時間隨錄音長度成比例增長。裝置端運算的物理限制繞不過去。
Impact: 按上面的速率，四小時的檔案在 Mac 上是幾分鐘，在 iPhone 上更久
音訊品質決定上限
音訊差或背景噪音大都會拉低準確率，而訊號裡沒有的資訊，模型也補不回來。
Impact: 麥克風的擺位和幾個人搶話，對錯誤率的影響比選哪個模型更大
沒有即時字幕
應用程式是在錄音結束之後轉錄，而不是邊說邊出字幕。要做到那種品質的即時字幕，需要一類裝不進手機的模型；而且整份檔案一起處理，也給了模型更多上下文。
Impact: 如果你要的是活動進行中就在螢幕上出字幕，這不是合適的工具
語言混合
在單個錄音中快速切換語言方面存在困難
Impact: 多語言對話中準確性降低
結論：專業使用的離線語音轉文字應用程式
離線 AI 轉錄 - 只要 $7.99
裝置端離線語音轉文字。隱私保護。零訂閱。
iOS 版下載只要 $7.99 買斷 • 零訂閱 • 無限用 • 隱私保護