Jak lokalnie transkrybować audio modelem Whisper na Macu i w systemie Windows

Whisper to model rozpoznawania mowy, który firma OpenAI udostępniła jako open source na licencji MIT. Pliki modelu są publiczne, więc możesz uruchomić je na własnym komputerze i transkrybować wywiady, notatki głosowe oraz nagrane spotkania, nigdzie ich nie przesyłając.

Ten poradnik opisuje najpierw darmowy sposób z wiersza poleceń, czyli whisper.cpp na Macu i w systemie Windows, a potem sposób bez terminala, z aplikacją na komputer. Polecenia sprawdzono w whisper.cpp 1.9.5, najnowszym wydaniu na dzień 19 października 2026.

Czego potrzebujesz

• Mac lub komputer z Windows. whisper.cpp działa na obu. Na Apple silicon korzysta z GPU przez Metal.
• Od kilkuset MB do 3 GB miejsca na dysku na jeden model, zależnie od jego rozmiaru.
• ffmpeg do konwersji plików audio, bo przykładowy program whisper-cli działa z 16-bitowymi plikami WAV.
• Jednorazowe połączenie z internetem, aby zainstalować narzędzia i pobrać model. Potem transkrypcja działa offline.

Wybierz model Whisper

Większe modele są zwykle dokładniejsze i zawsze wolniejsze. Oto ich rozmiary i przybliżone zużycie pamięci według README projektu whisper.cpp:

Jest też model large-v3-turbo, który OpenAI opisuje jako zoptymalizowaną wersję large-v3: szybszą przy minimalnej utracie dokładności (README projektu Whisper od OpenAI). Modele z końcówką .en, np. small.en, obsługują tylko angielski; według OpenAI w rozmiarach tiny i base zwykle lepiej radzą sobie z angielskim. Do nagrań w kilku językach lub w języku innym niż angielski użyj modelu wielojęzycznego.

Do spotkań rozsądnie jest zacząć od modelu small. Jeśli nazwy własne i liczby są rozpoznawane błędnie, przejdź na większy medium lub large-v3-turbo, a jeśli działa za wolno — na mniejszy base.

Na Macu: zainstaluj whisper.cpp przez Homebrew

Jeśli masz Homebrew, nie musisz niczego kompilować.

1. Zainstaluj whisper.cpp i ffmpeg:

   brew install whisper.cpp ffmpeg

   Dzięki temu będzie dostępne polecenie whisper-cli.

2. Pobierz model do folderu, który łatwo zapamiętasz:

   mkdir -p ~/whisper-models
   curl -L -o ~/whisper-models/ggml-small.bin \
     https://huggingface.co/ggerganov/whisper.cpp/resolve/main/ggml-small.bin

   Zamień small na inną nazwę modelu z tabeli, np. medium lub large-v3-turbo.

3. Przekonwertuj nagranie do formatu WAV mono 16 kHz:

   ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a pcm_s16le interview.wav

4. Przetranskrybuj je:

   whisper-cli -m ~/whisper-models/ggml-small.bin -f interview.wav -l auto -otxt -osrt

   Otrzymasz plik interview.wav.txt z samym tekstem i interview.wav.srt ze znacznikami czasu.

W systemie Windows: skompiluj whisper.cpp

W systemie Windows najbardziej przewidywalnym sposobem jest kompilacja ze źródeł. Gotowe pliki ZIP pojawiają się na stronie wydań whisper.cpp, ale ich nazwy i zawartość zmieniają się między kompilacjami.

1. Zainstaluj narzędzia: Git, CMake, Visual Studio Build Tools z pakietem roboczym C++ oraz ffmpeg dodany do zmiennej PATH.

2. Pobierz kod i model w PowerShellu:

   git clone https://github.com/ggml-org/whisper.cpp.git
   cd whisper.cpp
   .\models\download-ggml-model.cmd small

3. Skompiluj projekt:

   cmake -B build
   cmake --build build -j --config Release

4. Przekonwertuj i przetranskrybuj:

   ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a pcm_s16le interview.wav
   .\build\bin\Release\whisper-cli.exe -m models\ggml-small.bin -f interview.wav -l auto -otxt -osrt

Jeśli masz kartę graficzną NVIDIA, README wyjaśnia, jak skompilować whisper.cpp z obsługą CUDA, żeby transkrypcja działała szybciej.

Opcje, które warto znać

Pełną listę wyświetli polecenie whisper-cli -h. OpenAI zaznacza, że model turbo nie był trenowany do tłumaczenia, więc z opcją -tr używaj modelu wielojęzycznego, np. medium.

Sprawdź, czy naprawdę działa offline

Gdy model jest już pobrany, wyłącz Wi-Fi i uruchom to samo polecenie jeszcze raz. Jeśli pojawi się transkrypcja, cała praca została wykonana na Twoim komputerze. To najprostszy dowód, że nagranie nigdy go nie opuściło.

Czego wiersz poleceń za Ciebie nie zrobi

whisper.cpp świetnie zamienia plik w tekst. Przy spotkaniach kilka rzeczy pozostaje po Twojej stronie:

• Nagranie rozmowy. Potrzebujesz innego narzędzia, które nagra zarówno dźwięk z mikrofonu, jak i głosy pozostałych uczestników.
• Kto co powiedział. Podstawowe uruchomienie nie dodaje etykiet mówców; README opisuje eksperymentalną opcję dla niektórych modeli.
• Opracowanie. Transkrypcja to jeszcze nie podsumowanie. Trzeba by samodzielnie skopiować ją do modelu AI, a to oznacza wybór, gdzie ten model ma działać.
• Przechowywanie na dłużej. Z czasem uzbierają się foldery pełne plików .txt, które trzeba nazywać, przeszukiwać i trzymać w bezpiecznym miejscu.

Przetranskrybuj plik lokalnie w Kimiko

Jeśli wolisz nie korzystać z terminala, Kimiko uruchamia lokalne modele mowy na Macach z Apple silicon i komputerach z Windows, w tym Whisper Small, Whisper Medium i Whisper Large v3 Turbo, obok domyślnego modelu Nemotron. Kimiko nagrywa też spotkania bez bota, oznacza mówców i pisze podsumowania za pomocą wbudowanej AI na Twoim komputerze.

1. Zainstaluj Kimiko i dokończ konfigurację. Zalecany model mowy pobiera się podczas konfiguracji, a do lokalnych podsumowań możesz wybrać Dodaj obok opcji Wbudowana AI.
2. Wybierz model Whisper, jeśli chcesz go używać: modele znajdziesz w sekcji Ustawienia → Transkrypcja → Modele mowy. Pobierz wybrany model, a następnie go zaznacz.
3. Zaimportuj nagranie. Wybierz Importuj plik audio… na stronie „Notatki” lub w projekcie albo przeciągnij plik na stronę „Notatki”. Pliki WAV, M4A, FLAC, OGG i AIFF działają od razu, bez konwersji.
4. Przeczytaj wynik. Otrzymasz transkrypcję i podsumowanie. Gdy w sekcji Ustawienia → Transkrypcja włączone są etykiety mówców, Kimiko rozdziela w zaimportowanym nagraniu do ośmiu głosów i oznacza je jako Mówca 1, Mówca 2 i tak dalej, a ich nazwy możesz zmienić.
5. Zapytaj lub wyeksportuj. Zadawaj pytania o nagranie na czacie albo wyeksportuj transkrypcję i podsumowanie do formatu Markdown, Word lub PDF.

Gdy wybrane są modele lokalne, dźwięk jest transkrybowany i podsumowywany na Twoim komputerze. Opcja Przechowuj dźwięk sesji jest początkowo ustawiona na Wyłączone, więc Kimiko zachowuje transkrypcję, a dźwięk usuwa. Do importu dźwięku potrzebny jest okres próbny lub subskrypcja. Więcej o tym, co gdzie działa, znajdziesz w artykule o transkrypcji spotkań offline.

Częste pytania

Czy Whisper jest darmowy?

Tak. Firma OpenAI opublikowała kod i modele Whisper na licencji MIT, a whisper.cpp również ma licencję MIT. Płacisz jedynie czasem i pamięcią swojego komputera.

Jaki model Whisper wybrać do spotkań?

Zacznij od small i sprawdź, jak radzi sobie z nazwami własnymi, liczbami i akcentami w Twoich nagraniach. Przy trudnych nagraniach przejdź na medium lub large-v3-turbo, jeśli komputer ma wystarczająco dużo pamięci.

Czy mogę przetranskrybować plik MP3 lub M4A?

Tak. Najpierw przekonwertuj go programem ffmpeg do formatu WAV 16 kHz, używając polecenia podanego wyżej, a potem uruchom whisper-cli na pliku WAV.

Czy Whisper wysyła gdzieś moje nagrania?

Nie, jeśli uruchamiasz go lokalnie przez whisper.cpp. Model działa na Twoim komputerze, a jedyne pobierane pliki to narzędzie i plik modelu. Inaczej jest z usługami transkrypcji w chmurze, które korzystają z modelu Whisper: tam dźwięk trafia na ich serwery.

Czy Whisper potrafi rozróżnić mówców?

Nie przy podstawowym uruchomieniu whisper.cpp. Otrzymujesz jeden ciągły tekst ze znacznikami czasu. Aplikacje stworzone do spotkań dodają osobny model rozpoznawania mówców, który oznacza, kto co powiedział.

Pobierz Kimiko, jeśli chcesz transkrybować lokalnie bez terminala. Możesz wypróbować Kimiko za darmo.