Як транскрибувати аудіо локально з Whisper на Mac і в Windows

Whisper — модель розпізнавання мовлення, яку компанія OpenAI випустила з відкритим кодом за ліцензією MIT. Файли моделі загальнодоступні, тож модель можна запустити на власному комп’ютері й транскрибувати інтерв’ю, голосові нотатки та записані зустрічі, нікуди їх не вивантажуючи.

У цьому посібнику описано безкоштовний шлях через командний рядок із whisper.cpp на Mac і в Windows, а потім — шлях, де термінал не потрібен: програма для комп’ютера. Команди перевірено на whisper.cpp 1.9.5, останньому випуску станом на 19 жовтня 2026 року.

Що знадобиться

• Mac або ПК з Windows. whisper.cpp працює і там, і там. На Apple silicon він використовує GPU через Metal.
• Від кількох сотень МБ до 3 ГБ на диску для однієї моделі, залежно від її розміру.
• ffmpeg для конвертації аудіо, бо приклад whisper-cli працює з 16-бітними файлами WAV.
• Підключення до інтернету — один раз, щоб установити інструменти й завантажити модель. Після цього транскрипція працює офлайн.

Виберіть модель Whisper

Більші моделі зазвичай точніші й завжди повільніші. Ось їхні розміри та приблизне споживання пам’яті за даними README whisper.cpp:

Є також large-v3-turbo: за описом OpenAI, це оптимізована версія large-v3, яка працює швидше з мінімальною втратою точності (README Whisper від OpenAI). Моделі, назви яких закінчуються на .en, як-от small.en, працюють лише з англійською; OpenAI зазначає, що в розмірах tiny і base вони зазвичай краще справляються з англійською мовою. Якщо в записі кілька мов або мова не англійська, використовуйте багатомовну модель.

Для зустрічей розумно спершу спробувати small. Якщо імена й числа розпізнаються неправильно, переходьте на більшу модель (medium або large-v3-turbo), а якщо small працює надто повільно — на меншу base.

На Mac: установіть whisper.cpp через Homebrew

Якщо у вас є Homebrew, нічого збирати не доведеться.

1. Установіть whisper.cpp і ffmpeg:

   brew install whisper.cpp ffmpeg

   Так у вас з’явиться команда whisper-cli.

2. Завантажте модель у папку, про яку не забудете:

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

   Замініть small на іншу назву моделі з таблиці, наприклад medium або large-v3-turbo.

3. Конвертуйте запис у WAV 16 кГц моно:

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

4. Транскрибуйте його:

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

   Ви отримаєте interview.wav.txt зі звичайним текстом і interview.wav.srt із часовими мітками.

У Windows: зберіть whisper.cpp

У Windows найпередбачуваніший шлях — зібрати whisper.cpp з вихідного коду. Готові zip-архіви з’являються на сторінці випусків whisper.cpp, але їхні назви та вміст змінюються від збірки до збірки.

1. Установіть інструменти: Git, CMake, Visual Studio Build Tools з робочим навантаженням C++ і ffmpeg, доданий до PATH.

2. Завантажте код і модель у PowerShell:

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

3. Зберіть whisper.cpp:

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

4. Конвертуйте запис і транскрибуйте його:

   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

Якщо у вас відеокарта NVIDIA, у README пояснено, як зібрати whisper.cpp з підтримкою CUDA, щоб транскрипція йшла швидше.

Параметри, які варто знати

Запустіть whisper-cli -h, щоб побачити повний список. OpenAI зазначає, що модель turbo не навчена перекладу, тож із -tr використовуйте багатомовну модель, як-от medium.

Перевірте, що все справді працює офлайн

Коли модель завантажено, вимкніть Wi-Fi і запустіть ту саму команду ще раз. Якщо транскрипція з’явилася, уся робота відбулася на вашому комп’ютері. Це найпростіший доказ того, що ваш запис ніколи його не залишав.

Чого командний рядок за вас не зробить

whisper.cpp чудово перетворює файл на текст. Коли йдеться про зустрічі, кілька речей лишається за вами:

• Запис дзвінка. Потрібен ще один інструмент, щоб записати і звук із вашого мікрофона, і звук інших учасників.
• Хто що сказав. Під час звичайного запуску міток мовців немає; у README описано експериментальний параметр для деяких моделей.
• Підсумкові нотатки. Транскрипція — це ще не підсумок. Вам довелося б самостійно скопіювати її в модель ШІ, а отже, і вирішити, де працюватиме ця модель.
• Довгострокове зберігання. Зрештою у вас накопичаться папки з файлами .txt, які доведеться називати, шукати й надійно зберігати.

Транскрибуйте файл локально з Kimiko

Якщо ви не хочете користуватися терміналом, Kimiko запускає локальні моделі мовлення на Mac з Apple silicon і ПК з Windows, зокрема Whisper Small, Whisper Medium і Whisper Large v3 Turbo, поруч зі своєю типовою моделлю Nemotron. Програма також записує зустрічі без бота, позначає мовців і пише підсумки за допомогою вбудованого ШІ на вашому комп’ютері.

1. Установіть Kimiko й завершіть налаштування. Рекомендована модель мовлення завантажується під час налаштування, а для локальних підсумків можна натиснути Додати поруч із пунктом Вбудований ШІ.
2. Виберіть модель Whisper, якщо вона вам потрібна, у розділі Налаштування → Транскрипція → Моделі мовлення. Завантажте її, а потім виберіть.
3. Імпортуйте запис. Виберіть Імпортувати аудіофайл… на сторінці «Нотатки» чи в проєкті або перетягніть файл на сторінку «Нотатки». Файли WAV, M4A, FLAC, OGG і AIFF підтримуються напряму, без конвертації.
4. Перегляньте результат. Ви отримаєте транскрипцію й підсумок. Якщо в розділі Налаштування → Транскрипція увімкнено мітки мовців, Kimiko розрізняє в імпортованому записі до восьми голосів і позначає їх як Мовець 1, Мовець 2 і так далі, а ви можете їх перейменувати.
5. Запитайте або експортуйте. Поставте запитання про запис у чаті або експортуйте транскрипцію й підсумок у Markdown, Word чи PDF.

Якщо вибрано локальні моделі, аудіо транскрибується й підсумовується на вашому комп’ютері. Параметр Зберігати аудіо сеансів типово має значення Вимкнено, тож Kimiko зберігає транскрипцію, а аудіо видаляє. Для імпорту аудіо потрібен пробний період або підписка. Докладніше про те, що де працює, — у посібнику про транскрипцію зустрічей офлайн.

Поширені запитання

Чи можна користуватися Whisper безкоштовно?

Так. Компанія OpenAI опублікувала код і моделі Whisper за ліцензією MIT, і whisper.cpp теж поширюється за ліцензією MIT. Платите ви лише часом і пам’яттю свого комп’ютера.

Яку модель Whisper вибрати для зустрічей?

Почніть із small і перевірте, як вона справляється з іменами, числами й акцентами у ваших записах. Для складного аудіо переходьте на medium або large-v3-turbo, якщо вашому комп’ютеру вистачає пам’яті.

Чи можна транскрибувати файл MP3 або M4A?

Так. Спершу конвертуйте його у WAV 16 кГц командою ffmpeg, наведеною вище, а потім запустіть whisper-cli для файлу WAV.

Чи надсилає Whisper кудись моє аудіо?

Ні, якщо ви запускаєте його локально з whisper.cpp. Модель працює на вашому комп’ютері, а завантажуються лише сам інструмент і файл моделі. Хмарні сервіси транскрипції на основі Whisper — інша справа: там аудіо надсилається на їхні сервери.

Чи може Whisper розрізняти мовців?

Не за звичайного запуску whisper.cpp. Ви отримуєте один потік тексту з часовими мітками. Програми, створені для зустрічей, додають окрему модель мовців, щоб позначити, хто що сказав.

Завантажте Kimiko, якщо хочете транскрибувати локально, не відкриваючи термінал. Спробувати можна безкоштовно.