Czego szukasz?

Wpisz temat, narzędzie lub problem do rozwiązania.

← Wszystkie artykuły

Whisper lokalnie: jak transkrybować nagrania bez wysyłania ich do chmury

Dyktafon, fala dźwiękowa, procesor i kartka z trzema kreskami

Nagranie można zamienić na tekst bez wysyłania jego zawartości do usługi transkrypcji. Whisper lokalnie uruchamia model rozpoznawania mowy na Twoim komputerze. Internet jest potrzebny do przygotowania środowiska i pobrania wag, ale późniejsze przetwarzanie może odbywać się bez połączenia.

To nie oznacza, że otrzymasz bezbłędny protokół rozmowy. Model może pomylić nazwiska, liczby, nazwy techniczne albo dopisać słowa w ciszy. Pokażę instalację, polską transkrypcję i napisy SRT, a także sposób sprawdzenia wyniku przed dalszym użyciem.

Którego Whispera dotyczy instrukcja

Korzystamy z otwartego projektu openai/whisper i pakietu openai-whisper. To lokalne narzędzie uruchamiane z terminala, niezależne od płatnych endpointów transkrypcji. Pakiet instalacyjny nazywa się openai-whisper, a moduł Pythona i polecenie: whisper.

W przykładzie przypinam wydanie 20250625, dostępne w oficjalnym rejestrze PyPI. Przypięcie pomaga odtworzyć zestaw opcji, ale nie zamraża automatycznie wszystkich zależności. Po udanej instalacji warto zapisać ich wersje.

Istnieją inne implementacje, między innymi wykorzystujące odmienne biblioteki wykonawcze. Ich flagi, wymagania i wydajność nie muszą odpowiadać tej instrukcji. Nie mieszaj poleceń kilku projektów tylko dlatego, że wszystkie korzystają z modeli Whisper.

Co przygotować przed instalacją

Potrzebujesz Pythona, miejsca na pakiety i model oraz narzędzia FFmpeg dostępnego w PATH. Zacznij od krótkiego nagrania zawierającego wyraźną mowę. Nie wybieraj od razu kilkugodzinnego materiału z muzyką w tle.

Poniższe polecenia zakładają Bash na Linuksie i zgodną instalację Pythona. Metadane pakietu wymagają Python 3.8 lub nowszego, ale zgodność zależy również od PyTorch i pozostałych bibliotek. README podaje węższy, starszy zakres niż klasyfikatory pakietu. Opisaną dalej próbę wykonano na Pythonie 3.12.1 w Windows; nie oznacza to sprawdzenia każdej dystrybucji Linuksa.

python3 --version
ffmpeg -version

Jeśli na Ubuntu lub Debianie brakuje FFmpeg, zainstaluj go z repozytorium systemu:

sudo apt update
sudo apt install ffmpeg

Nie traktuj niepowodzenia python3 -m venv jako powodu do instalowania wszystkiego przez sudo pip. Uzupełnij pakiet obsługi środowisk wirtualnych właściwy dla swojej wersji Pythona. Podstawowe polecenia plików i procesów znajdziesz w ściądze Linuksa.

Instalacja w osobnym środowisku

Utwórz katalog projektu i środowisko, a następnie zainstaluj pakiet:

mkdir whisper-projekt
cd whisper-projekt
python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install openai-whisper==20250625
python -m whisper --help
python -m pip freeze > requirements-lock.txt

Instalacja zależności może pobrać duże pakiety. Dobór wersji PyTorch dla CPU lub karty graficznej sprawdź w oficjalnym selektorze instalacji PyTorch. Nie zakładaj, że dowolna komenda pip install torch skonfiguruje obsługę Twojego GPU.

Na Windows odpowiednik utworzenia środowiska to py -m venv .venv. Można wywoływać interpreter bez zmiany polityki PowerShell: .\.venv\Scripts\python.exe -m whisper --help. FFmpeg musi być dostępny także z tego terminala; po zmianie PATH otwórz nową sesję.

Przygotuj krótki fragment nagrania

Whisper używa FFmpeg do odczytu dźwięku. Nie trzeba ręcznie konwertować każdego pliku, ale wydzielenie minuty ułatwia porównywanie modeli i poprawianie konfiguracji.

ffmpeg -i nagranie.mp3 -t 60 -vn -ac 1 -ar 16000 probka.wav

Polecenie tworzy nowy plik z pierwszą minutą, jednym kanałem i próbkowaniem 16 kHz. Nie poprawia magicznie jakości mowy. Jeśli w stereo rozmówcy są rozdzieleni na kanały, złączenie ich może utrudnić późniejsze rozróżnienie; zachowaj oryginał.

Do oceny wybierz fragment z nazwą własną, liczbą i krótką pauzą. Zapisz ręcznie poprawny tekst. Dopiero taki materiał pozwoli zauważyć różnicę między modelami na Twoim rodzaju nagrań.

Uruchom polską transkrypcję na CPU

Pierwsza próba może korzystać z małego modelu wielojęzycznego:

python -m whisper probka.wav \
  --model base \
  --language pl \
  --task transcribe \
  --device cpu \
  --fp16 False \
  --model_dir ./modele \
  --output_dir ./wyniki \
  --output_format all

--task transcribe zachowuje język wypowiedzi. --language pl ustala język wejściowy zamiast polegać na jego wykrywaniu. Na CPU wyłączamy FP16; w tym trybie nie należy oczekiwać oszczędności pamięci kojarzonej z obliczeniami GPU.

Nie wybieraj base.en do polskiej mowy. Sufiks .en oznacza wariant anglojęzyczny. Jeśli base pomija słowa lub myli zapis, porównaj tę samą próbkę z small, zachowując pozostałe ustawienia. Większy model może potrzebować więcej pamięci i czasu, ale sama nazwa nie gwarantuje poprawności każdego zdania.

Pierwsze wykonanie pobiera wagi do katalogu modele. Następne korzysta z lokalnej kopii, o ile plik jest poprawny. Oddzielenie pobierania od właściwego przetwarzania pomaga też porównać czas pracy bez doliczania transferu modelu.

Co dostajesz w katalogu wyników

Format Zastosowanie Co sprawdzić
TXT Edycja i czytanie tekstu Nazwy, liczby, pominięte fragmenty
SRT Napisy do wielu odtwarzaczy i edytorów Czas wyświetlania oraz podział wypowiedzi
VTT Napisy używane m.in. w odtwarzaczach WWW Zgodność z docelowym odtwarzaczem
JSON Dalsze przetwarzanie segmentów Strukturę pól i zakres zachowanych danych
TSV Prosta praca tabelaryczna z segmentami Kodowanie i separatory

--output_format all zapisuje kilka formatów. Jeśli potrzebujesz tylko napisów, zastosuj --output_format srt. Każdy zapis zajmuje dodatkowe miejsce i może zawierać dane z rozmowy, więc nie rozsyłaj automatycznie całego katalogu wyników.

JSON możesz obejrzeć w formatterze JSON po usunięciu poufnej treści. Znaczniki czasu nie są gwarancją montażowej dokładności. Obejrzyj napisy razem z nagraniem, szczególnie przy długich pauzach i nakładających się głosach.

Krótka próba lokalna: co rzeczywiście sprawdzono

Na Windows 11, Pythonie 3.12.1 i PyTorch 2.12.1 w wariancie CPU uruchomiono model base z pakietu Whisper 20250625. Wejściem było krótkie nagranie wygenerowane lokalnie przez głos Microsoft Paulina, a nie prawdziwa rozmowa. Po konwersji FFmpeg powstały pliki TXT, SRT, VTT, JSON i TSV.

Tekst wejściowy brzmiał: „To jest krótki test lokalnego rozpoznawania mowy. Serwer zapisuje kopię danych każdego dnia”. Wynik zachował sens, ale zapisał „Server” zamiast „Serwer” oraz „kopie” zamiast „kopię”. To mała kontrola działania instalacji, nie pomiar jakości polskiej mowy ani benchmark wydajności.

Przykład pokazuje, dlaczego płynny i prawdopodobny tekst nadal wymaga odsłuchania. Przy prawdziwej rozmowie dochodzą pogłos, akcent, nakładające się głosy i nazwy, których nie było w tej syntetycznej próbce.

Wybór modelu i akceleracji

Do sprawdzenia instalacji przydaje się mały model. Do materiału z trudnym słownictwem warto porównać większy wariant na tej samej próbce. Najpierw oceń poprawność, a dopiero potem koszt czasu i pamięci.

Whisper nie jest modelem czatu uruchamianym przez instrukcję z poradnika Ollamy. Wspólna jest idea lokalnych wag i obliczeń, lecz narzędzia oraz parametry są inne. Podobnie nie przenoś bezpośrednio oznaczeń Q4 z kwantyzacji modeli językowych do opcji tej implementacji Whispera.

Przy obsługiwanym GPU sprawdź najpierw, czy PyTorch je widzi:

python -c "import torch; print(torch.cuda.is_available())"

Jeżeli wynik jest False, wpisanie --device cuda nie naprawi instalacji sterownika ani biblioteki. Jeśli CUDA jest poprawnie dostępna, można wykonać oddzielną próbę z tym urządzeniem. Nie podaję czasu przetwarzania ani wymagań dla konkretnej karty bez pomiaru na niej.

Jak sprawdzić pracę bez wysyłania nagrania

Przygotuj pakiety i pobierz model przed odłączeniem sieci. Następnie uruchom identyczną komendę na lokalnym pliku przy wyłączonym połączeniu. Jeśli program próbuje dopiero pobrać brakujące wagi, najpierw dokończ przygotowanie środowiska.

Lokalne wykonanie nie zabezpiecza automatycznie folderu synchronizowanego z chmurą, kopii zapasowych ani późniejszego workflow. Trzymaj nagrania i wyniki w świadomie wybranym katalogu. Jeśli potem przekażesz transkrypcję do zewnętrznego modelu, właśnie ten krok zmienia granicę prywatności.

Dotyczy to również integracji z automatyzacją n8n. Osobno określ, gdzie działa transkrypcja, gdzie trafia tekst i jak długo przechowywane są dane wykonania. Zainstalowanie jednego lokalnego komponentu nie czyni całego przepływu lokalnym.

Typowe błędy i kontrola transkrypcji

Przy braku FFmpeg sprawdź jego uruchomienie w tej samej sesji terminala. Przy braku pamięci zmniejsz model i sprawdź, jakie inne procesy zajmują zasoby. Samo użycie swapu nie zamienia małego komputera w szybki serwer transkrypcji.

Gdy model powtarza zdania, sprawdź fragment z ciszą, muzyką lub niewyraźną mową. Opcja --condition_on_previous_text False może ograniczyć niektóre pętle powtórzeń, lecz może też osłabić spójność między segmentami. Porównuj zmianę na tej samej próbce, zamiast traktować ją jako obowiązkową naprawę.

Sprawdź ręcznie nazwiska, kwoty, daty i polecenia techniczne. Nie wykonuj automatycznie komend rozpoznanych z nagrania. Jeśli tekst ma wejść do bazy wiedzy, zweryfikuj go przed indeksowaniem w systemie RAG; inaczej błąd transkrypcji stanie się pozornym źródłem kolejnej odpowiedzi.

Najczęstsze pytania

Czy Whisper lokalnie wymaga klucza API?

Ta instalacja otwartego pakietu nie wymaga klucza do usługi transkrypcji. Potrzebuje lokalnego środowiska i wag modelu. Zewnętrzne integracje mogą mieć osobne wymagania.

Czy polskie nagranie trzeba wcześniej tłumaczyć?

Nie. Użyj modelu wielojęzycznego i zadania transcribe. Zadanie translate dotyczy tłumaczenia mowy na angielski w obsługujących je modelach, a nie zapisu po polsku.

Czy model rozpozna, kto mówi?

Standardowa transkrypcja tego pakietu nie nadaje wiarygodnych etykiet poszczególnym rozmówcom. Rozdzielanie mówców to dodatkowe zadanie. Znaczniki czasu segmentów same go nie rozwiązują.

Czy można pracować całkowicie offline?

Tak, po przygotowaniu zależności i lokalnych wag. Sprawdź to przez rzeczywiste odłączenie sieci. Dodatkowe narzędzia oraz synchronizacja plików mogą mieć własne połączenia.

Czy otrzymane napisy są gotowe do publikacji?

Wymagają kontroli treści i synchronizacji. Szczególnie łatwo przeoczyć źle rozpoznaną liczbę lub nazwę, gdy całe zdanie brzmi płynnie i przekonująco.

Źródła

Data publikacji: 28.10.2026.

KP
O AUTORZE

Krystian Proć

Tworzę narzędzia do pracy z danymi, systemy backendowe i automatyzacje. Pracuję z SQL, PHP, TypeScriptem i Dockerem; rozwijam m.in. dragon-island.com. AI pomaga mi przyspieszać pracę, a architekturę, weryfikację i decyzje techniczne biorę na siebie. Na Trybie Technicznym dzielę się doświadczeniami z budowania i utrzymywania własnych projektów.

Dyskusja

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *