Jak szybko transkrybować nagrania audio

Jak długo trwa transkrypcja godziny nagrania — w zależności od metody

Przede wszystkim: szybkość to spektrum i rozpiętość jest ogromna. Oto ile kosztuje cię jedna godzina wyraźnego nagrania, zależnie od metody.

Skok od godzin do minut to jedyna liczba, która tu ma znaczenie. Dwie minuty czy sześć na przejście AI — to szum w porównaniu z czterema godzinami, których nie spędzasz przy klawiaturze. NVIDIA podaje, że model Parakeet działa tysiące razy szybciej niż czas rzeczywisty na sprzęcie z rankingu open-ASR, ale ignorowałbym tę nagłówkową liczbę. Twoja rzeczywista prędkość zależy od twojego CPU, nie od maszyny benchmarkowej. Liczba, której można ufać, to ta z aplikacji: Parakeet działa 5–10x szybciej niż Whisper na tym samym procesorze.

Najszybsza metoda krok po kroku

Oto najszybsza działająca ścieżka, w odpowiedniej kolejności. Zakładam, że dyktуjesz na żywo — mówisz i od razu dostajesz tekst — co w większości przypadków bije schemat "nagraj, a potem przetwórz", bo transkrypcja istnieje w chwili, gdy kończysz mówić.

Jeśli twoim źródłem jest gotowe nagranie, a nie dyktowanie na żywo, zajrzyj do FAQ na dole — tam jest uczciwa odpowiedź.

Lokalnie czy w chmurze — skąd pochodzi prędkość

Ludzie zakładają, że chmura jest szybsza, bo serwery są większe. W przypadku jednego akapitu dyktowania to założenie jest błędne. Transkrypcja w chmurze musi spakować twoje audio, wysłać je przez łącze, poczekać na odpowiedź i ją odesłać. Na przyzwoitym łączu ten obieg jest szybki, ale to czas sieci, którego nie tracisz w ogóle, gdy model działa na twoim własnym CPU.

Tryb lokalny wykonuje pracę w procesie. Cała lokalna transkrypcja w Whisper działa w czystym Rust przez transcribe-rs, bez żadnego sidecara w Pythonie do uruchomienia. Oznacza to brak serwera w pętli, brak rachunku API za minutę i to, że twoje audio nigdy nie opuszcza maszyny. Tryb chmury to awaryjne wyjście: OpenAI z własnym kluczem API, domyślnie korzystający z gpt-4o-mini-transcribe, gdy chcesz najnowszych modeli lub dostępu do internetu. To jest powierzchnia Whisper Pro, nałożona na bezpłatny potok lokalny.

Jedna mocna opinia, jaką mam w tym artykule: najpierw spróbuj trybu lokalnego. Jeśli twój PC ma mniej niż cztery lata albo twój Mac ma Apple Silicon, do transkrypcji nie potrzebujesz chmury. Tryb lokalny osiąga prędkości poniżej dwóch sekund od zwolnienia klawisza do wklejonego tekstu na nowoczesnej maszynie, twoje dane zostają u ciebie i nie płacisz za minutę. Chmura to opcja awaryjna, gdy trafisz na limit — nie punkt startowy. Nauczyłem się tego, obserwując zespół, z którym pracowałem, który w jednym kwartale nazbierał rachunek w chmurze na pięć cyfr, głównie przez sprytne ponowne próby, które czterokrotnie transkrybowały te same nagrania ze standup meetings. CFO otworzył dashboard na kwartalnym przeglądzie i w sali zapadła cisza. Podejście lokalne-pierwsze zredukowałoby ten rachunek do zera.

Dlaczego Parakeet jest najszybszą lokalną opcją

Jeśli celem jest czysta prędkość, a mówisz po angielsku lub w języku europejskim, Parakeet to właściwy wybór. Model NVIDIA Parakeet-TDT ma 600 milionów parametrów, działa na licencji CC-BY-4.0 i w Whisper jest 5–10x szybszy niż modele Whisper na tym samym CPU. To jest jego przewaga prędkościowa. Na laptopie bez dedykowanego GPU ta różnica jest jak czekanie kontra nieoczekiwanie.

Ceną jest pokrycie językowe. Parakeet obsługuje 25 języków (angielski plus 24 europejskie), nie ma opcji tłumaczenia na angielski ani wsparcia dla języków azjatyckich. Jeśli więc transkrybujesz japoński, koreański lub chiński, albo potrzebujesz mowy w jednym języku przetłumaczonej na angielski, Parakeet nie pomoże — chcesz wtedy modelu Whisper, który obsługuje 99 języków w wariantach wielojęzycznych i potrafi tłumaczyć na angielski. Wersje Whisper z końcówką .en (Base, Small, Medium, Turbo) obsługują wyłącznie angielski.

Prozaiczna prawda jest taka, że przy codziennym dyktowaniu po angielsku Parakeet jest tak szybki, że model przestaje być wąskim gardłem. Wąskim gardłem jest twoje tempo mówienia. To jest moment, gdy transkrypcja głosowa przestaje wyglądać jak narzędzie, a zaczyna wyglądać jak pisanie bez klawiatury. Jestem typem architekta, który benchmarkuje silnik na trzy sposoby zanim mu zaufa — a nawet ja przestałem sprawdzać timer gdzieś w drugim tygodniu. Jeśli pracujesz głównie offline, przewodnik po mowie na tekst offline szczegółowo opisuje, jak uruchomić wszystko na urządzeniu.

Kiedy pominąć transkrypcję AI i pisać ręcznie

Transkrypcja AI jest szybka, ale nie magiczna. Trzy sytuacje, w których pominąłbym ją i pisał ręcznie. Po pierwsze, kiepsko nagrane audio: nakładające się głosy, silny szum tła, telefon oparty o stół w kawiarni. Model pewnie siebie wyprodukuje błędne słowa, a poprawianie pewnego bzdury zajmuje dłużej niż czyste przepisanie. Mikrofon USB za 20 dolarów robi więcej dla dokładności niż jakikolwiek upgrade modelu — najpierw popraw źródło. Po drugie, materiał prawny lub medyczny, gdzie jedna źle usłyszana liczba zmienia znaczenie, a i tak trzeba przejść przez tekst słowo po słowie. Po trzecie, krótkie klipy: memo głosowe z 30 sekund nie jest warte otwierania czegokolwiek, a wbudowane dyktowanie w telefonie obrabia je za darmo. Szybka ścieżka jest dla długich nagrań, gdzie te cztery zaoszczędzone godziny są naprawdę realne.

Praca z zapisanym nagraniem zamiast audio na żywo to osobny, niewielki przepływ pracy. Jeśli twoim źródłem jest plik muzyczny lub podcastowy, nasz krok po kroku o tym, jak zamienić MP3 na tekst opisuje tę ścieżkę od początku do końca.

Bezpłatny potok lokalny

Cały lokalny potok transkrypcji w Whisper jest bezpłatny dla każdego zalogowanego użytkownika: Parakeet, wszystkie osiem modeli Whisper, czyszczenie tekstu przez AI za pomocą Ollama, historia, presety, hotwords, akceleracja sprzętowa. Bez podawania karty płatniczej przy rejestracji. Whisper Pro dodaje na górę dostęp do chmury — dla osób, które chcą transkrypcji OpenAI z własnym kluczem API i wyszukiwania w internecie. Dokładne liczby znajdziesz na stronie cennika, gdzie możesz porównać plany miesięczny, roczny i dożywotni bez czytania cyfr z ust w połowie zdania.

Najszybsza transkrypcja, jaką kiedykolwiek widziałem, to nie był benchmark. To była moja młodsza córka, która podyktowała 90-słowny e-mail do babci (o wypadniętym zębie, kursie wymiany wróżki zębuszki i zajęciach z tańca) w mniej niż dwie minuty — bez korekty, bez klawiatury. Nie wiedziała, że ominęła wolną ścieżkę. Po prostu myślała, że tak działają teraz komputery. Po roku czytania zgłoszeń do supportu doszedłem do wniosku, że ma rację, a reszta z nas dopiero to nadrabia.