Whisper vs Google Speech-to-Text

Google Speech-to-Text är ett API, inte en app du öppnar

Det första att reda ut: Google Cloud Speech-to-Text har inget fönster. Det finns ingen ikon i din dock, ingen snabbtangent, inget "tryck för att prata". Det är en tjänst som din programvara pratar med över nätverket. Du skickar ljud med kod; den skickar tillbaka text. Googles egen dokumentation beskriver det som synkron, streamande och asynkron igenkänning som används via ett API.

Den designen är bra för det den är till för. Streamande igenkänning ger interimsresultat i realtid, vilket är användbart om du bygger en funktion för livetextning eller ett röstkommando till din egen produkt. Asynkron igenkänning hanterar långa inspelningar: du laddar upp ljud, Google maler igenom det i bakgrunden och du hämtar resultatet när det är klart. Google dokumenterar den här batch-vägen som att den hanterar ljud upp till åtta timmar i ett enda jobb. Det är en verklig styrka. Om du har ett lager av inspelade samtal att transkribera över natten är en slutanvändar-dikteringsapp fel verktyg, och ett API som Googles är rätt.

Det stöder en lång lista av språk och regionala lokala varianter, BCP-47-koderna som ingenjörer känner till, som en-US, en-GB och es-MX. Jag tänker inte skriva ut ett exakt antal språk eller ett pris per minut här, och jag skulle vara försiktig med varje artikel som gör det. Googles pris- och språksidor förändras, och siffrorna som cirkulerar på nätet går inte alla att spåra till en primärkälla jag skulle stå för. Det jag kan säga utan att gardera mig: det är användningsbaserad molnfakturering. Du betalar för det du skickar, ditt ljud går till Googles servrar och det finns inget gratis lokalt läge.

Två personer, två olika problem

Här är det renaste sättet jag hittat att avgöra vilken sida av gränsen du står på. Föreställ dig två personer.

Den första är en utvecklare. Hon bygger ett kundsupportverktyg som gör inspelade samtal till sökbar text. Transkriberingen sker på hennes server, inuti hennes kod, utan att någon människa tittar på när den körs. Hon vill ha en slutpunkt hon kan skicka ljud till och ett JSON-svar hon kan lagra i en databas. Hon kommer aldrig att "öppna" transkriberaren. Den lever inuti produkten hon levererar till sina egna kunder. Det är Google Speech-to-Texts jobb. API:et är komponenten; hennes produkt är appen.

Den andra är en skribent. Eller en advokat som skriver utkast på tåget, eller en student som gör en föreläsning till anteckningar, eller en förälder som svarar på ett mejl från en lärare medan middagen rörs om. Han har ingen server. Han har en markör som blinkar i ett dokument, och han skulle hellre prata än skriva. Han vill trycka på en tangent, säga meningen och se den dyka upp i filen han redan har öppen. Han kommer aldrig att skriva kod, och det ska han inte behöva. Det är vårt jobb.

Förvirringen i sökordet kommer av att "Whisper" har två betydelser. Google STT är en färdig molntjänst. Whisper är en modell, och en modell är inte en app. Någon måste bygga appen runt den: koppla in mikrofonen, dra snabbtangenten, klistra in texten vid markören. Det är den delen vi gjorde.

Whisper-i-vår-app är skrivbordsdiktering, och den körs på din dator

Whisper är talmodellen som OpenAI släppte som öppen källkod. Vår app kör den lokalt: ren Rust, ingen Python-sidovagn, ingen server i loopen för vanlig diktering. Du trycker på en snabbtangent (Ctrl+Space på Windows som standard, helt ombytbar), du pratar, du släpper, och texten landar precis där din markör redan står. Ingen kod. Ingen API-nyckel för den lokala vägen. Ljudet lämnar aldrig datorn.

Den sista delen är hela poängen, och det är den som inte syns i en funktionstabell.

På den lokala nivån väljer du bland åtta Whisper-modeller, från cirka 140 MB upp till 3 GB; du byter nedladdningsstorlek och CPU-tid mot träffsäkerhet. Fyra är inställda för engelska; de fyra flerspråkiga täcker ett brett spann av språk och kan översätta tal till engelska i samma rörelse, något som Googles API inte väver in i en enda dikteringstryckning och som de flesta konsumentverktyg hoppar över helt. Det finns också Parakeet, en separat NVIDIA-motor som är 5 till 10 gånger snabbare än Whisper på CPU för engelska och 24 andra europeiska språk, och den körs utan GPU.

Hela den lokala pipelinen är gratis för varje inloggad användare, utan kort vid registreringen: varje modell, AI-städning via Ollama, historik, egna nyckelord, alltihop. Vill du ha molnytan är det Whisper Pro: OpenAI-molntranskribering (gpt-4o-mini-transcribe eller gpt-4o-transcribe), AI-städning i molnet och webbsökning, allt på din egen OpenAI-nyckel, utan att Remskill tar något snitt. Det är valfritt. Standardläget är lokalt och gratis.

Den tråkiga sanningen är att för ett stycke dikterad text har din dator redan en mikrofon och en CPU. Den behöver inget datacenter.

Kostnadsmodellerna har inte samma form

Det är här jämförelsen slutar vara äpplen mot äpplen. Ett moln-API fakturerar per minut ljud. En lokal dikteringsapp fakturerar, som mest, en gång.

Jag såg per-minut-modellen bita en gång. Ett team jag jobbade med lät en konsult bygga en intern "AI-dikterings"-prototyp som anropade ett moln-API för varje yttrande. En "smart omförsöks"-rutin blev för ivrig och transkriberade om samma standup-inspelningar fyra gånger. Teamchefen öppnade kostnadspanelen i slutet av kvartalet och hittade en femsiffrig faktura. Konsultens lösning var "vi borde optimera prompten". Ekonomichefens lösning var "eller så ska vi inte betala för molntranskribering av möten som redan har anteckningar."

Det är ingen pik mot Googles API. Använt som det är tänkt, av ingenjörer som håller koll på mätaren, är det rimligt prissatt för produktionspipelines. Det är en pik mot att använda en mätarstyrd molntjänst för något en lokal app gör gratis. Transkribering enbart i molnet är en integritetskatastrof som bara väntar på att faktureras. Dina kontraktsutkast, ditt lönekalkylblad, mejlet till ditt barns skola, allt lämnar din dator för att du ville prata i stället för att skriva. För en enskild person som dikterar hela dagen är lokalt-först rätt standard, och mätaren startar aldrig.

Sida vid sida

Här är den ärliga uppställningen. Lägg märke till att tabellen egentligen inte handlar om "vilken som är bäst". Den handlar om "vilken kategori du tillhör".

Inga specifika Google-siffror i den tabellen, med flit. Det är formen som spelar roll: server vs dator, kod vs snabbtangent, mätare vs gratis. Om de raderna pekar dig mot API:et, bra, fortsätt läsa nästa avsnitt. Om de pekar dig mot appen finns nedladdningsknappen längst ner.

När Google Speech-to-Text är rätt verktyg

Jag skulle ta till Googles API, inte vår app, i några tydliga fall. Det här är avsnittet som AI-artiklar hoppar över, så här kommer det rakt på sak.

Om något av det där är du, stäng den här fliken och öppna Googles dokumentation. Vi gör inget på serversidan. Det är inte falsk blygsamhet; det är en annan produkt.

När Whisper-i-vår-app är rätt verktyg

Den andra sidan. Du bygger ingen programvara. Du försöker sluta skriva.

Du vill diktera mejl, anteckningar, meddelanden, kodkommentarer och få dem att dyka upp i vilken app du än redan är i. Du föredrar att ditt ljud inte går till någons servrar. Du vill inte ha en mätare per minut som tickar medan du tänker. Du vill att det är gratis att börja, och du vill inte skriva en rad kod för att använda det.

Välj Parakeet för fart och engelska; välj en flerspråkig Whisper-modell när du behöver översättning, mindre vanliga språk eller finare kontroll. Den lokala pipelinen kostar ingenting; molnnivån (OpenAI-transkribering med din egen nyckel) är valfri och prissatt på prissidan.

För den offline-, lokala och gratis sidan av den här frågan skrev jag om de bredare avvägningarna i lokal vs molntranskribering. Och om du väljer mellan de två lokala motorerna vi levererar, går Whisper vs Parakeet igenom fart kontra språktäckning.

Om du bara minns en sak

Google Speech-to-Text är ett API för ingenjörer; Whisper-i-vår-app är diktering för människor. Att fråga vilket som är "bäst" är som att fråga om en bilmotor är bättre än en bil. Det beror helt på om du bygger saken eller kör den.