Используем Speech-to-Text на полную - MacWhisper

Я уже неоднократно писал про Vibe - лучший бесплатный инструмент, если нужно что-то транскрибировать. А что, если вам надо не только транскрибировать, но вы хотите еще и автоматически включать транскрибацию во время встречи, писать код голосом и задавать вопросы по транскрипту сразу в одном окне с этим самым транскриптом?

Решение есть! Даже целых два, оба платные, но с одним “но”. Первое - Superwhisper, стоит 84 бакса в год или пожизненная лицензия за 250 баксов. Второе - MacWhisper с пожизненной лицензией за 60 баксов и именно о нем я сегодня расскажу.

Приложение появилось намного раньше, чем Vibe, прошло стадию, когда было бесплатным, и сейчас имеет полноценный роадмеп дальнейшего развития, продаваясь за деньги, при этом функций здесь прямо много.

Что может MacWhisper
Помимо базовой транскрибации встреч, которую я использую на регулярной основе, приложение отличает то, что с транскриптами можно работать прямо в нем, не отходя от кассы. Причем делать это можно как с локальными моделями, так и через API-ключи. Среди функций здесь есть суммаризация, кастомные шорткаты, возможность перевода всего транскрипта, дробление на спикеров, извлечение статистических данных, в общем, все, что только вы можете пожелать.

Другая полезная функция - это Dictation или, говоря по-русски, голосовой ввод. Традиционный голосовой ввод на маке меня жутко бесит, потому что часто что-то слышит криво, неверно расставляет знаки препинания, плохо переключается между языками, если, например, я объясняю курсору, какую функцию в коде мне нужно изменить. Поэтому я просто-напросто не использовал обычный голосовой ввод, но в MacWhisper он реализован по-умному.

Теперь вайбкодить можно реально, просто наговаривая ИИ, что тебе нужно сделать. Все благодаря тому, как реализован здесь механизм распознавания. Сами слова распознает Whisper, у которого по умолчанию высокая точность, а знаки препинания расставляет LLM + можно вставить свой словарь, который поможет модели лучше понимать, о чем ты говоришь, например, аббревиатуры. Можно настроить как локальную LLM, так и по API. Я себе поставил Gemma 3 1b qat, она мультиязычная и максимально быстро обрабатывает тексты (140 токенов/секунду), поэтому все, о чем я говорю, остается строго у меня на компьютере.

Помимо диктовки, здесь также есть приятная функция автодетекции звонков, чтобы их можно было транскрибировать в один клик, и еще куча разных мелких приятностей. В общем, практически все то, за что сервисы типа Granola, Fireflies Ai и прочие берут по 20 баксов в месяц.

Сервис могу смело рекомендовать. Единственный минус, как можно понять из названия отсутствие Windows версии 😅

#инструменты