Otter.ai को $20 प्रति माह देने के बजाय स्व-होस्टेड Speakr का उपयोग करने पर XDA की पोस्ट ने ध्यान आकर्षित किया क्योंकि इसने उसे नाम दिया जो मीटिंग-भारी नौकरियों वाले अधिकांश लोग चुपचाप संदेह करते हैं: SaaS ट्रांसक्रिप्शन सेवा की सुविधा हर ग्राहक कॉल, हर साक्षात्कार, हर ब्रेनस्टॉर्म की ऑडियो के साथ खरीदी जाती है। एक बार जब आप नोटिस करते हैं कि रिकॉर्डिंग आपके लैपटॉप से निकल जाती है, तो इसे नहीं देखना मुश्किल है। अच्छी खबर यह है कि स्थानीय Whisper अनुमान 2024 के हार्डवेयर पर काफी तेज हो गया है कि स्व-होस्टेड ट्रांसक्रिप्शन स्टैक अब सप्ताहांत की परियोजना नहीं है। हमने डेस्कटॉप पर स्व-होस्टेड ट्रांसक्रिप्शन के लिए 7 सर्वश्रेष्ठ ऐप्स का परीक्षण किया, जिनमें से प्रत्येक आपके सामने मशीन पर मॉडल चला रहा है, स्थानीय नेटवर्क से कुछ नहीं निकल रहा है।
सूची में एकल-बाइनरी GUI ऐप्स हैं जो एक मिनट में Mac पर आते हैं, क्रॉस-प्लेटफॉर्म Electron ऐप्स डायराइजेशन और UI के साथ, बैच ट्रांसक्रिप्शन के लिए एक TypeScript रैपर, और Whisper.cpp CLI जो चुपचाप बाकी अधिकांश को शक्ति देता है। प्रत्येक विकल्प उच्च-सटीक large-v3 स्तर पर ट्रांसक्रिप्शन गुणवत्ता, M-सीरीज़ Mac पर गति और हाल की x86 लैपटॉप, और यह कितना अच्छा है कि वह उन भागों को संभालता है जो हमेशा गलत होते हैं: स्पीकर लेबल, लंबी फाइलें, मिश्रित भाषाएं, और टाइमस्टैम्पित निर्यात।
स्व-होस्टेड ट्रांसक्रिप्शन ऐप में क्या देखें
एक स्व-होस्टेड ट्रांसक्रिप्शन पाइपलाइन एक ही पांच चीजों पर जीती या हारती है:
- मॉडल विकल्प। Whisper परिवार मानक है, लेकिन ऐप को आपको
tiny,base,small,medium,large-v2, औरlarge-v3के बीच चुनने देना चाहिए। बड़ा मतलब धीमा और अधिक सटीक। एक लॉक किया गया मॉडल एक गलती है। - वास्तविक हार्डवेयर पर गति। M2 MacBook Air पर,
large-v3को एक घंटे की फ़ाइल को तीस मिनट से कम में ट्रांसक्राइब करना चाहिए। 12वीं जेन Intel लैपटॉप पर GPU के बिना यह रिकॉर्डिंग से अधिक समय ले सकता है। ऐप को यह ट्रेडऑफ स्पष्ट करना चाहिए। - स्पीकर डायराइजेशन। एकमात्र विशेषता जो अधिकांश लोग चाहते हैं और अधिकांश स्थानीय स्टैक गड़बड़ा देते हैं। pyannote एकीकरण या एक समकक्ष स्थानीय डायराइज़र को सामान्य “स्पीकर A / स्पीकर B” अनुमान के बजाय देखें।
- निर्यात प्रारूप। वीडियो कार्य के लिए SRT और VTT, नोट्स के लिए नोट्स के साथ सादा पाठ, और डाउनस्ट्रीम उपकरणों के लिए आत्मविश्वास स्कोर के साथ JSON। क्लिपबोर्ड में कॉपी ट्रांसक्रिप्ट और बस कुछ नहीं एक डील ब्रेकर है।
- डिफ़ॉल्ट रूप से कोई नेटवर्क निष्कास नहीं। पूरा बिंदु। ऐप को घर में कॉल नहीं करना चाहिए, टेलीमेट्री भेजना चाहिए, या CDN से मॉडल प्राप्त करना चाहिए जब तक कि आप स्पष्ट रूप से नहीं पूछते।
त्वरित तुलना
| ऐप | लाइसेंस | प्लेटफॉर्म | GPU त्वरण | डायराइजेशन | के लिए सर्वश्रेष्ठ |
|---|---|---|---|---|---|
| MacWhisper | Commercial (free tier) | macOS | Apple Silicon Metal | हां (Pro) | Apple Silicon दैनिक चालक |
| Vibe | MIT (open source) | Windows, macOS, Linux | NVIDIA, Metal, Vulkan | हां | क्रॉस-प्लेटफॉर्म GUI |
| WhisperX | BSD-2 (open source) | Windows, macOS, Linux | NVIDIA, CPU | हां (pyannote) | पेशेवारों के लिए शब्द-स्तर संरेखण |
| Speakr | MIT (open source) | Windows, macOS, Linux (Docker) | NVIDIA, CPU | हां | वेब UI के साथ स्व-होस्टेड सर्वर |
| Aiko | Free, closed source | macOS, iOS | Apple Silicon Metal | नहीं | Mac पर त्वरित एकबारी प्रतिलेख |
| Buzz | MIT (open source) | Windows, macOS, Linux | NVIDIA, Metal, CPU | नहीं | सिंगल-बाइनरी क्रॉस-प्लेटफॉर्म CLI+GUI |
| Whisper.cpp | MIT (open source) | Windows, macOS, Linux | NVIDIA, Metal, CPU | नहीं (manual) | स्क्रिप्ट और सर्वर के लिए हेडलेस CLI |
2026 में डेस्कटॉप पर स्व-होस्टेड ट्रांसक्रिप्शन के लिए 7 सर्वश्रेष्ठ ऐप्स
1. MacWhisper — Apple Silicon दैनिक चालक के लिए सर्वश्रेष्ठ
MacWhisper वह है जो अधिकांश Mac उपयोगकर्ता कभी भी टर्मिनल खोले बिना उपयोग करेंगे। मुक्त स्तर tiny के माध्यम से medium Whisper मॉडल के साथ ड्रैग-एंड-ड्रॉप ट्रांसक्रिप्शन को संभालता है, Pro स्तर large-v3, बैच नौकरियां, पॉडकास्ट आयात, और स्पीकर डायराइजेशन जोड़ता है। अनुमान Apple के Metal स्टैक पर चलती है, तो M2 Air बिना हेयर ड्रायर की तरह लगे एक घंटे की फ़ाइल को कुछ मिनटों में चबा जाता है। UI वह है जो यह श्रेणी कम ही सही तरीके से पाती है।
कहां यह कम रहता है: केवल macOS, और डायराइजेशन गुणवत्ता जटिल बहु-स्पीकर रिकॉर्डिंग पर WhisperX के पीछे पड़ जाती है। Pro लाइसेंस एक बार खरीद है, मुक्त नहीं, जो कुछ के लिए इसे अयोग्य करता है।
मूल्य निर्धारण: medium और नीचे के लिए मुक्त। large-v3, डायराइजेशन, बैच, और YouTube आयात के लिए एकबारी Pro खरीद।
प्लेटफॉर्म: macOS (Apple Silicon अनुशंसित; Intel Macs समर्थित लेकिन धीमा)।
डाउनलोड: MacWhisper site
तल की पंक्ति: यदि अधिकांश ट्रांसक्रिप्शन Mac पर होता है, तो यहां शुरू करें और आगे बढ़ें। Pro शुल्क मीटिंग नोट्स के एक सप्ताह में अपने आप के लिए भुगतान करता है।
2. Vibe — सर्वश्रेष्ठ क्रॉस-प्लेटफॉर्म GUI
Vibe Windows और Linux दुनिया में MacWhisper के सबसे करीब है। एक एकल डाउनलोड एक GUI स्थापित करता है जो किसी भी Whisper मॉडल को लोड करता है, NVIDIA CUDA, Apple Metal, या AMD पर Vulkan पर चलता है, और बॉक्स से बाहर डायराइजेशन प्रदान करता है। प्लगइन सिस्टम आपको ऐप को छोड़े बिना सारांश या अनुवाद चरणों को तार देने देता है, और प्रोजेक्ट बार-बार रिलीज भेजता है।
कहां यह कम रहता है: पहली मॉडल लोड भारी है क्योंकि बाइनरी रनटाइम पर वजन लाता है। लंबी फाइलों पर डायराइजेशन Vulkan बैकएंड पर अटक सकता है; CUDA उपयोगकर्ता यह नहीं देखते।
मूल्य निर्धारण: मुक्त, MIT लाइसेंस।
प्लेटफॉर्म: Windows, macOS (Intel और Apple Silicon), Linux।
डाउनलोड: Vibe site
तल की पंक्ति: Windows और Linux पर सही शुरुआत बिंदु। बाहरी GPU NVIDIA के साथ Mac उपयोगकर्ताओं को MacWhisper पर Vibe चुनना चाहिए।
3. WhisperX — शब्द-स्तर संरेखण और गंभीर डायराइजेशन के लिए सर्वश्रेष्ठ
WhisperX वह है जो पेशेवर प्रतिलेखकार उपयोग करते हैं जब टाइमस्टैम्प वास्तव में मायने रखता है। यह Whisper को एक मजबूर-संरेखक के साथ जोड़ता है ताकि हर शब्द सटीक टाइमकोड पर उतरे, फिर स्पीकर को लेबल करने के लिए pyannote डायराइजेशन चलाता है। परिणाम SRT सबटाइटल हैं जो प्रसारण मानकों तक पकड़ते हैं और JSON जो कोई भी डाउनस्ट्रीम टूल खा सकता है।
कहां यह कम रहता है: शुद्ध CLI, कोई GUI नहीं, और Python निर्भरता पेड़ Windows पर काट सकता है। सेटअप एक दोपहर है, सप्ताहांत नहीं, लेकिन MacWhisper जो “एक फ़ाइल को खींचो” अनुभव प्रदान करता है नहीं।
मूल्य निर्धारण: मुक्त, BSD-2 लाइसेंस।
प्लेटफॉर्म: Windows, macOS, Linux।
डाउनलोड: WhisperX GitHub
तल की पंक्ति: जब सटीक शब्द-स्तर टाइमस्टैम्प और लेबल वाले स्पीकर UI पॉलिश से अधिक महत्वपूर्ण हों तो WhisperX चुनें। उपशीर्षक और पत्रकार, यह वह है।
4. Speakr — वेब UI के साथ स्व-होस्टेड सर्वर के लिए सर्वश्रेष्ठ
Speakr वह ऐप है जो XDA टुकड़े सभी को भेज गया। यह Docker कंटेनर के रूप में चलता है कि कोई भी लैपटॉप या होम सर्वर होस्ट कर सकता है, एक स्वच्छ वेब UI का खुलासा करता है, और स्थानीय Whisper अनुमान को एक सेवा में बदल देता है जो पूरा घर उपयोग कर सकता है। रिकॉर्डिंग LAN पर समन्वय करते हैं, प्रतिलेख एक खोजे जाने योग्य पुस्तकालय में उतरते हैं, और डायराइजेशन एकतरफा साक्षात्कार के लिए काफी अच्छा है बिना आगे की ट्विकिंग के।
कहां यह कम रहता है: यह एक सर्वर है, इसलिए शुरू करना docker compose up है, .dmg नहीं। उपयोगकर्ता जो Docker नहीं चलाते हैं उन्हें कुछ और चुनना चाहिए।
मूल्य निर्धारण: मुक्त, MIT लाइसेंस।
प्लेटफॉर्म: कुछ भी जो Docker चलाता है (Windows, macOS, Linux)।
डाउनलोड: Speakr GitHub
तल की पंक्ति: सही विकल्प जब नेटवर्क पर एक से अधिक व्यक्ति को ट्रांसक्रिप्शन की आवश्यकता हो। इसे उसी बॉक्स पर चलाएं जो Jellyfin या Home Assistant को होस्ट करता है।
5. Aiko — Mac पर त्वरित एकबारी प्रतिलेखों के लिए सर्वश्रेष्ठ
Aiko Mac App Store के सबसे करीब है जो एक खाता नहीं है एक मुक्त, कोई खाता ट्रांसक्रिप्शन उपयोगिता है। एक फ़ाइल को छोड़ दें, एक मॉडल चुनें, ट्रांसक्रिप्ट को बाहर बहते देखें। कोई डायराइजेशन नहीं, कोई स्पीकर लेबल नहीं, कोई फैंसी निर्यात नहीं, सिर्फ टाइमस्टैम्प के साथ साफ पाठ जो आप एक नोट-टेकिंग ऐप में चिपका सकते हैं।
कहां यह कम रहता है: केवल macOS और iOS, और मॉडल विकल्प large-v3 के छोटे से। जो किसी को गंभीर सटीकता की आवश्यकता है उसे यह छोड़ना चाहिए और MacWhisper का उपयोग करना चाहिए।
मूल्य निर्धारण: मुक्त, कोई इन-ऐप खरीद नहीं।
प्लेटफॉर्म: macOS, iOS।
डाउनलोड: Aiko on the Mac App Store
तल की पंक्ति: Mac पर वॉयस मेमो और संक्षिप्त साक्षात्कार के लिए सही विकल्प। गंभीर वर्कफ़्लो के लिए सही विकल्प नहीं।
6. Buzz — सर्वश्रेष्ठ सिंगल-बाइनरी क्रॉस-प्लेटफॉर्म विकल्प
Buzz एक-डाउनलोड ऐप के रूप में भेज दिया जाता है जो Windows, macOS, और Linux पर एक ही UI के साथ चलता है। यह माइक्रोफोन से लाइव ट्रांसक्रिप्शन, फ़ाइल-आधारित नौकरियां, और लोगों के लिए एक निर्मित OpenAI API मोड का समर्थन करता है जो स्थानीय और क्लाउड आउटपुट को साथ-साथ तुलना करना चाहते हैं। कोडबेस एक दोपहर में लेखा परीक्षा करने के लिए काफी छोटा है।
कहां यह कम रहता है: कोई डायराइजेशन नहीं। लाइव मोड लंबी monologues पर अमानवीय तरीकों से वाक्यों काट देता है।
मूल्य निर्धारण: मुक्त, MIT लाइसेंस।
प्लेटफॉर्म: Windows, macOS, Linux।
डाउनलोड: Buzz GitHub
तल की पंक्ति: एक ताजा Linux मशीन पर एक अच्छा पहला स्थापन। “मैं स्थानीय ट्रांसक्रिप्शन चाहता हूं” से काम करने वाले ऐप तक सबसे तेज़ पथ।
7. Whisper.cpp — स्क्रिप्ट और सर्वर के लिए सर्वश्रेष्ठ हेडलेस CLI
Whisper.cpp C++ पोर्ट है जो चुपचाप ऊपर के आधे ऐप्स को शक्ति देता है। यह एक एकल बाइनरी में संकलित करता है, कोई Python रनटाइम नहीं है, और Raspberry Pi 5 से M4 Max तक सब कुछ पर चलता है। एक WAV फ़ाइल पाइप करें, SRT या VTT प्राप्त करें। CMake बिल्ड अब मुख्य प्लेटफॉर्म के लिए पूर्वकंपाइलित बाइनरी के साथ आता है।
कहां यह कम रहता है: शुद्ध CLI। कोई डायराइजेशन नहीं, कोई UI नहीं, कोई ऐप पॉलिश नहीं। आप अपने चारों ओर वर्कफ़्लो का निर्माण करते हैं।
मूल्य निर्धारण: मुक्त, MIT लाइसेंस।
प्लेटफॉर्म: Windows, macOS, Linux, BSD, कहीं भी एक C++ संकलक के साथ।
डाउनलोड: Whisper.cpp GitHub
तल की पंक्ति: अनुभवहीन ट्रांसक्रिप्शन को मौजूदा पाइपलाइनों में, एंबेडेड उपयोग के मामलों के लिए, और किसी के लिए भी जो सबसे छोटा, सबसे ऑडिटेबल सतह क्षेत्र चाहता है के लिए सही विकल्प।
सही का चयन कैसे करें
- यदि आप एक स्व-होस्टेड Otter.ai प्रतिस्थापन चाहते हैं जो पूरा घर उपयोग कर सकता है: Speakr।
- यदि आप macOS पर रहते हैं और सिर्फ सर्वश्रेष्ठ स्थानीय ऐप चाहते हैं: MacWhisper।
- यदि आप Windows या Linux पर हैं और एक स्वच्छ GUI चाहते हैं: Vibe।
- यदि आपको प्रसारण-ग्रेड टाइमस्टैम्प और लेबल वाले स्पीकर की आवश्यकता है: WhisperX।
- यदि आपके पास एक पुरानी Mac है और केवल कभी-कभी प्रतिलेख चाहते हैं: Aiko।
- यदि आप एक बड़ी पाइपलाइन में ट्रांसक्रिप्शन को स्क्रिप्ट करना चाहते हैं: Whisper.cpp।
अक्सर पूछे जाने वाले प्रश्न
क्या Whisper Otter.ai को बदल सकता है?
केवल अंग्रेजी, एकल-स्पीकर रिकॉर्डिंग के लिए, हां। बहु-स्पीकर मीटिंग के लिए ओवरलैप के साथ, pyannote डायराइजेशन के साथ Whisper करीब है लेकिन अभी भी स्पीकर लेबलिंग पर Otter पीछे है। अंतराल 2025 में बहुत बंद हुआ और हर रिलीज के साथ आगे बंद हो रहा है।
स्थानीय ट्रांसक्रिप्शन चलाने के लिए मुझे कितना हार्डवेयर की आवश्यकता है?
large-v3 किसी भी Apple Silicon Mac और 8 GB या अधिक VRAM के साथ किसी भी NVIDIA GPU पर आराम से चलता है। केवल-CPU अनुमान काम करता है लेकिन रिकॉर्डिंग की तुलना में अधिक समय लेता है। कैजुअल गति पर मीटिंग ट्रांसक्रिप्शन के लिए, एक पांच साल पुराना लैपटॉप ठीक है यदि आप small या medium चुनते हैं।
सटीकता के लिए कौन सा Whisper मॉडल सर्वश्रेष्ठ है?
large-v3 सबसे सटीक प्रकाशित मॉडल है। large-v3-turbo एक तेजी वाला वेरिएंट है जिसमें छोटी गुणवत्ता में गिरावट है जो अधिकांश उपयोगकर्ता स्वच्छ ऑडियो पर नोटिस नहीं करेंगे। large-v2 को v3 के पक्ष में छोड़ दें जब तक आपके पास विशिष्ट कारण न हो।
क्या स्व-होस्टेड ट्रांसक्रिप्शन गैर-अंग्रेजी ऑडियो को संभाल सकता है?
Whisper लगभग 100 भाषाओं का समर्थन करता है और मुख्य (स्पेनिश, फ्रेंच, जर्मन, पुर्तगाली, जापानी, मंदारिन) पर क्लाउड सेवाओं के साथ प्रतिस्पर्धी है। कम-संसाधन भाषाओं के लिए गुणवत्ता में गिरावट आती है, और गैर-देशी वक्ताओं से जोर दिए गए अंग्रेजी प्रत्येक स्थानीय मॉडल को अभी भी भ्रमित करते हैं।
क्या इसमें से कुछ भी स्थापना के बाद ऑफ़लाइन काम करता है?
हां, पूरी तरह से। मॉडल वजन डाउनलोड होने के बाद, इस सूची में प्रत्येक ऐप बिना नेटवर्क कनेक्शन के चलता है। यह पूरी तरह से आत्म-होस्टिंग का बिंदु है।
