Przejdź do treści

Tutoriale how-to

Whisper lokalnie: transkrypcja bez API — modele i setup

Zaktualizowano: Autor: Andrzej Niemiec5 min czytania

Whisper na serwerze zamiast API OpenAI. Modele tiny–large-v3, wymagania RAM, czas transkrypcji i trzy sposoby uruchomienia: Python, C++ i HTTP.

Whisper lokalnie: transkrypcja bez API — modele i setup
Spis treści
  1. Dlaczego lokalnie stało się praktyczne w 2026
  2. Sześć modeli Whisper: od tiny do large-v3-turbo
  3. Faster-Whisper w Pythonie: praktyczny start
  4. Whisper.cpp: minimalistyczne rozwiązanie na CPU
  5. Aplikacje desktopowe: bez kodu
  6. Kiedy lokalnie, kiedy API
  7. Najczęstsze pytania
  8. Źródła

Dlaczego lokalnie stało się praktyczne w 2026

Transkrypcja audio przez lata była domeną API — wysyłasz plik, czekasz, płacisz. OpenAI Whisper API kosztuje 0,006 USD za minutę audio [1]. Przy 1000 minut miesięcznie to około 6 USD/miesiąc, czyli 72 USD rocznie. Lokalnie: brak opłat za API, ale pojawia się koszt sprzętu, energii i czasu konfiguracji.

Główna zmiana w 2024–2026: modele Whisper stały się wystarczająco szybkie na CPU, aby transkrypcja offline była praktyczna dla większości projektów. Whisper-large-v3 w float16 transkrybuje około 11 sekund audio w około 15 sekund na CPU [2]. Dane nigdy nie opuszczają serwera — ważne dla firm z wymogami compliance (RODO) i dla każdego, komu zależy na prywatności.

Ograniczenie: jeśli transkrybujesz ponad 10 000 minut miesięcznie, API może być szybsze dzięki dedykowanym serwerom. Lokalnie czekasz na CPU. Dla większości builderów — mniej niż 1000 minut/miesiąc — lokalnie wygrywa ekonomicznie.

Sześć modeli Whisper: od tiny do large-v3-turbo

OpenAI udostępnia sześć wariantów, każdy dla innego scenariusza [3]. Większy model oznacza wyższą dokładność, ale wolniej i więcej RAM.

Model tiny zajmuje 39 MB i transkrybuje 11 sekund audio w około 1 sekundę, idealne do prototypów. Base (140 MB) transkrybuje w około 2 sekundy. Small (466 MB) w około 5 sekund — to popularny wybór dla aplikacji desktopowych. Medium (1,5 GB) w około 8 sekund wymaga około 5 GB RAM. Large-v3 (2,9 GB) transkrybuje w około 15 sekund, ale wymaga około 10 GB RAM w float32 lub około 6 GB w float16 [4]. Large-v3-turbo (1,5 GB) to kompromis — transkrybuje w około 10 sekund z dokładnością blisko large-v3 [5].

Dla polskiego audio warto testować na small lub medium — duża różnica w jakości między tiny a small, mniejsza między medium a large-v3.

Faster-Whisper w Pythonie: praktyczny start

Faster-Whisper to port Whisper do Pythona z optymalizacją dla CUDA (GPU) i CPU. Działa 2–3 razy szybciej niż oryginalny Whisper [6].

Instalacja: pip install faster-whisper. Przy pierwszym uruchomieniu model pobiera się automatycznie.

Pobranie modelu: from faster_whisper import WhisperModel; model = WhisperModel("small", device="cpu", compute_type="int8"). Możesz wybrać medium lub large-v3 — będą dokładniejsze, ale wolniejsze.

Konwersja audio: Whisper wymaga WAV 16 kHz mono. Jeśli masz MP3, konwertujesz ffmpegiem: ffmpeg -i nagranie.mp3 -ar 16000 -ac 1 nagranie.wav.

Transkrypcja: segments, info = model.transcribe("nagranie.wav", language="pl", beam_size=5). Parametr language="pl" poprawia dokładność dla polskiego audio. Beam_size=5 zwiększa dokładność, ale transkrypcja trwa dłużej.

Integracja: najprostszy wrapper to klasa Transcriber z metodą transcribe(), którą możesz zawinąć w Flask, FastAPI lub użyć jako CLI.

Whisper.cpp: minimalistyczne rozwiązanie na CPU

Whisper.cpp to implementacja Whisper w C++, zoptymalizowana dla CPU [7]. Model ggml-medium zajmuje około 150 MB. Transkrybujesz lokalnie bez Pythona, bez zależności.

Komenda transkrypcji: konwertujesz audio do WAV 16 kHz mono, potem uruchamiasz main.exe -m models/ggml-medium.bin -f final.wav -otxt. Wynik: plik tekstowy.

Wada: brak natywnej integracji z Pythonem bez wrappera. Jeśli budujesz aplikację webową, to nie najlepszy wybór. Idealne dla CLI i narzędzi desktopowych.

Aplikacje desktopowe: bez kodu

Buzz: 100% offline, open-source

Buzz to darmowa, open-source aplikacja do transkrypcji audio. Uruchamiasz, wybierasz plik, czekasz. Wszystko offline, bez API keys, bez internetu. Idealne dla dziennikarzy, badaczy, każdego, kto transkrybuje bez chęci programowania.

Whisper Notes: iOS i macOS

Whisper Notes to aplikacja na iPhone i Mac z offline transkrypcją [8]. Transkrybuje nagrania bez internetu, bez subskrypcji. Rozpoznawanie mówców i znaczniki czasu.

Kiedy lokalnie, kiedy API

Werdykt zależy od trzech rzeczy: wolumenu, compliance i latency.

Localnie, jeśli: transkrybujesz mniej niż 1000 minut miesięcznie (oszczędzasz na API), masz wymogi compliance (RODO, dane wrażliwe), latency poniżej 1 sekundy jest ważna.

API, jeśli: transkrybujesz ponad 10 000 minut miesięcznie, potrzebujesz multi-language real-time streaming, nie chcesz zarządzać infrastrukturą.

First step: zainstaluj Faster-Whisper, przetestuj na 5 minutach audio. Jeśli to działa, masz baseline. Teraz decydujesz: GUI (Buzz), Python API (Faster-Whisper), czy serwer HTTP.

Najczęstsze pytania

Ile RAM naprawdę potrzebuje large-v3?

Oficjalne dane OpenAI mówią o około 10 GB VRAM dla large-v3 w float32. W float16 (połowa precyzji) to około 6 GB. Niezależne testy pokazują, że na CPU może być więcej, zależnie od backendu i konfiguracji.

Czy Whisper halucynuje tekst?

Tak. Whisper może dodawać słowa, które nie zostały wypowiedziane, szczególnie w hałaśliwych nagraniach. Wynik wymaga kontroli, szczególnie w zastosowaniach prawnych, medycznych i dziennikarskich [9].

Czy Whisper rozpoznaje, kto mówi?

Nie. Whisper daje transkrypcję i znaczniki czasu, ale rozpoznawanie mówców wymaga dodatkowego narzędzia, np. diarizacji opartej na osobnym modelu.

Czy setup naprawdę trwa 15 minut?

To czas orientacyjny, zależny od systemu, sterowników CUDA, FFmpeg, Pythona i pobierania modelu. Dla doświadczonego użytkownika — tak. Dla pierwszego razu — może być dłużej.

Czy lokalny Whisper obsługuje polski?

Tak. Model large-v3 obsługuje polski. Parametr language="pl" w Faster-Whisper poprawia dokładność [10].

Źródła

  1. Pricing | OpenAI API (2026)
  2. Whisper V3 Benchmarks: Local Model Accuracy & Speed (Self-Host)
  3. openai/whisper-large-v3 · Hugging Face
  4. Whisper Model Sizes: Complete Guide
  5. large-v3-turbo model by jongwook · Pull Request #2361 · openai/whisper · GitHub
  6. Faster Whisper OpenAi - Instrukcja instalacji, konfiguracji i prostej — YouTube
  7. Transcribe Audio & Video 100% Locally With AI (Whisper.cpp Setup 2026) — YouTube
  8. Whisper Notes - Offline Whisper transkrypcja | Aplikacja na iPhone
  9. Whisper large-v3 and the shift from open research to transcription infrastructure · Signal
  10. OpenAI Whisper 2026: instalacja i 6 modeli krok po kroku
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji

Analiza i dane

Stack technologiczny

Stack technologiczny

Stack technologiczny