OpenAI Whisper для Windows

Що люди мають на увазі під «OpenAI Whisper для Windows»

Нудна правда в тому, що «OpenAI Whisper» — це дві різні речі під однією назвою, і пошукові результати щодня їх плутають.

Перша річ — це модель. Whisper — це модель розпізнавання мовлення, яку OpenAI відкрила під ліцензією MIT, тож і код, і навчені ваги можна безкоштовно завантажити та використовувати. Вона постачається в шести розмірах (tiny, base, small, medium, large і turbo), чотири з яких мають англомовний варіант, що міняє швидкість на точність. Вона багатомовна й може перекладати мовлення англійською за допомогою одного прапорця. Це справді вражає, і це справді безкоштовно.

Друга річ — це те, як ви її насправді запускаєте. Офіційний Whisper — це пакет на Python. Ви встановлюєте його через pip, поряд встановлюєте інструмент командного рядка ffmpeg, а потім згодовуєте йому аудіофайл із термінала. Якщо «термінал», «pip» і «ffmpeg» уже звучать як субота, яку ви собі не планували, то ви знайшли саме ту прогалину, про яку вся ця стаття. Командний рядок — це інструмент, у якому ви набираєте команди для комп’ютера замість того, щоб клацати мишею. Більшість людей на Windows жодного разу не відкривали його навмисно.

Тож коли хтось вводить у Google «OpenAI Whisper для Windows», зазвичай він хоче однієї з двох відповідей. Або: як мені змусити цю безкоштовну модель транскрибувати мої файли без диплома з комп’ютерних наук? Або: я просто хочу говорити, а слова щоб з’являлися самі — воно так уміє? Це різні потреби, і для них потрібні різні інструменти. Я відповім на обидві й чесно скажу, який інструмент перемагає в кожному випадку.

Безкоштовна модель — чудова. Налаштування — оце вже заковика.

Ось та частина, яку сторінки продуктів оминають. Whisper-модель не коштує нічого. А от Whisper-досвід на щойно встановленій Windows коштує вам половини дня.

Щоб запустити офіційний OpenAI Whisper, ви встановлюєте Python, потім встановлюєте пакет Whisper, потім встановлюєте ffmpeg і дбаєте, щоб Windows його знайшла, а потім відкриваєте термінал і запускаєте команду для кожного файлу. Тут нічого складного для розробника. І все це — стіна для всіх інших: для письменника, юриста, студента, продавця, для моєї власної мами, яка погодилася спробувати диктування з третьої демонстрації й погодилася б рівно на нуль демонстрацій, де лунає фраза «додайте ffmpeg до вашого PATH».

Є й приязніші входи, і про них варто знати. Whisper.cpp — це звичайний порт тієї самої моделі на C/C++: під ліцензією MIT, швидкий і лише для CPU, узагалі без Python. Але ви все одно складаєте його з джерел або запускаєте з командного рядка. Це чудовий витвір інженерії, націлений прямісінько на тих, кому подобаються компілятори. Решта цієї статті — для тих, кому ні.

Коли вам натомість потрібен Whisper із командного рядка (або транскрибатор файлів)

Зараз я відправлю вас деінде, бо це чесна частина.

Якщо насправді у вас є аудіофайл (записане інтерв’ю, епізод подкасту, збережений дзвінок у Teams, голосова нотатка), то наш застосунок — неправильний інструмент, і я радше скажу вам про це, ніж продам невідповідність. Ми робимо диктування наживо: ви говорите, слова з’являються біля вашого курсора. Ми не беремо наявний файл і не транскрибуємо його. Інша робота.

Для цієї роботи є три безкоштовні інструменти, які справді добрі й створені саме для неї:

• Buzz транскрибує й перекладає аудіофайли офлайн, працює на основі Whisper від OpenAI, ліцензований під MIT і запускається на Windows. Якщо вам потрібне справжнє вікно з кнопками замість термінала — починайте звідси.
• Whisper Desktop (Const-me) це застосунок із графічним інтерфейсом для Windows. Ви розпаковуєте архів, запускаєте WhisperDesktop.exe, вказуєте на файл, і він транскрибує за допомогою вашого GPU через DirectCompute. Ліцензований під MPL-2.0 і швидкий на пристойній відеокарті.
• whisper.cpp це лаконічний варіант, якщо ви впевнено почуваєтеся в командному рядку й хочете чисту швидкість без Python.

Це не дипломатія заради дипломатії. Те, що я відправляю вас до правильного інструмента, навіть коли він не наш, — це і є вся причина, чому варто довіряти решті сказаного. Якщо у вас файл — користуйтеся Buzz. Якщо у вас мікрофон і речення в голові — читайте далі.

Що Whisper by Remskill насправді робить на Windows

Ми взяли ті самі моделі Whisper із відкритим кодом плюс другий рушій і загорнули їх у застосунок для Windows — так, щоб нічого не треба було складати й нічого набирати в терміналі.

Ви встановлюєте один застосунок, близько 25 МБ. Входите в обліковий запис. Натискаєте гарячу клавішу — за замовчуванням це Ctrl + Space, і її повністю можна переназначити. Говорите. Відпускаєте. Текст з’являється біля курсора в тому застосунку, де ви вже були: у Word, Outlook, браузері, Slack, редакторі коду, полі пошуку. Жодного файлу, жодного термінала, GPU не потрібен; усе локальне транскрибування виконується на вашому CPU.

Під капотом ви обираєте один із трьох шляхів, бо ми не обираємо модель за вас:

• Локальний Whisper (8 моделей) це той самий Whisper із відкритим кодом, по який ви прийшли, — упакований і готовий до роботи. Оптимізований під англійську від Base (~140 МБ) до Medium (~1,5 ГБ), плюс багатомовні збірки аж до Large v3 (~3 ГБ). Багатомовні збірки охоплюють 99 мов і можуть перекладати англійською.
• Parakeet (NVIDIA TDT, ~600 МБ) це окремий рушій, у 5–10 разів швидший за Whisper на CPU, який охоплює англійську та ще 24 європейські мови. Без перекладу англійською. Обирайте його, якщо хочете швидкості й здебільшого працюєте англійською.
• Хмара (OpenAI, BYOK) дає змогу підключити власний ключ OpenAI для найвищої точності й вебпошуку; ми не беремо жодного відсотка. Це єдина функція Pro.

Локальний конвеєр (кожна модель Whisper, Parakeet, AI-доопрацювання через Ollama, історія, пресети, власна гаряча клавіша, завантаження моделей) безкоштовний для будь-якого користувача, який увійшов, без картки під час реєстрації. Хмарний шлях — це платний тариф Pro; цифри можна побачити на сторінці цін.

Чому справжній застосунок диктування на Windows складніший за pip install

Ось те, про що ніхто не попереджає, коли каже «просто загорни Whisper в інтерфейс».

Модель — це легка частина. Змусити гарячу клавішу нормально поводитися на Windows — ні. Перша версія нашого обробника гарячих клавіш викликала функцію зупинки запису шість разів на одне реальне натискання. На Mac усе працювало бездоганно. На чистій інсталяції Windows усе працювало бездоганно. А на справжніх машинах клієнтів усе розсипалося — на тих, де ввімкнено метод введення для якоїсь мови, який на Windows генерує примарні події відпускання Ctrl + Space у непередбачувані моменти. Знадобилися дні телеметрії, потім дебаунс на 50 мс, якого не вистачило, потім дебаунс на 300 мс, якого нарешті вистачило. Я дізнався про фреймворк методів введення Windows більше, ніж будь-яка людина мала б, а в мене є диплом магістра. Вердикт моєї старшої доньки, коли я їй пояснив: «ось чому татові листи тривають вічність».

Ось у чому різниця між моделлю та продуктом. Безкоштовний Whisper дає вам транскрипцію файлу. А застосунок диктування мусить вижити на справжньому робочому столі Windows, у справжніх застосунках, поки ви займаєтеся чимось іншим. Модель ніколи не бачить цієї боротьби. Ми бачимо — і спершу програвали її десь тиждень.

Коли вбудованого інструмента Windows цілком достатньо

Скажіть людям, коли НЕ варто купувати вашу річ, і вони, можливо, повірять вам у решті. Тож: якщо ви лише вряди-годи диктуєте коротку нотатку, усе це вам може бути й не потрібне. У Windows 11 є вбудований інструмент голосового набору, який відкривається через Win + H. Він безкоштовний і цілком годиться для пари рядків, хоча й надсилає ваше аудіо до онлайн-розпізнавання мовлення Microsoft, а не виконує його на вашій машині. Для швидкої відповіді в Teams цього вдосталь.

Ми починаємо бути вартими встановлення приблизно тоді, коли ви пишете справжні тексти (довгі листи, юридичні документи, конспекти лекцій, коментарі до коду, варіанти маркетингових текстів) і хочете, щоб усе лишалося на вашій машині, 99 мовами, з однією й тією ж гарячою клавішею всюди. Якщо ваш день — це двохрядкові переписки, на цьому все. Якщо ваш день — це писання, лишайте застосунок.

OpenAI Whisper — безкоштовна модель з відкритим кодом, і на Windows вона зазвичай вимагає Python, ffmpeg і термінала, щоб транскрибувати файли. Якщо у вас є файл, Buzz або Whisper Desktop зроблять це безкоштовно в справжньому вікні. Якщо ж насправді ви хочете говорити й бачити, як слова з’являються біля курсора в будь-якому застосунку — без жодного складання, без командного рядка, локально на вашому CPU, — то це саме те, що ми зробили.

Розгорнутіший погляд на ландшафт «безкоштовне проти платного» дивіться в перетворення голосу на текст на Windows. Щоб обрати між нашими двома локальними рушіями, дивіться Whisper проти Parakeet.