Bezpieczna transkrypcja audio z użyciem Whisper – lokalnie i przez GUI

Transkrypcja rozmów zawierających dane poufne wymaga bezpieczeństwa i prywatności. Zamiast korzystać z usług online, warto przetworzyć pliki lokalnie. Oto trzy sprawdzone i bezpieczne metody: konsolowa i dwie graficzne (GUI). Przydatne do analizy rozmów przez Zespół Marketingu 😉

Opcja 1: Whisper lokalnie przez terminal (Windows)

Krok 1: Zainstaluj wymagane narzędzia

- Python 3.8+ – pobierz tutaj (zaznacz „Add Python to PATH”)
- Git – pobierz tutaj
- FFmpeg – pobierz i dodaj do PATH

Krok 2: Instalacja Whisper

pip install git+https://github.com/openai/whisper.git
pip install torch --index-url https://download.pytorch.org/whl/cu118

Uwaga: Jeśli nie masz karty NVIDIA, użyj po prostu pip install torch

Krok 3: Skrypt transkrypcyjny (plik .bat)

Utwórz plik o nazwie transkrypcja_audio.bat z tą treścią:

@echo off
echo === Transkrypcja audio Whisper ===
set /p filename=Podaj nazwę pliku audio (np. audio.mp3): 
whisper "%filename%" --language Polish --model small
pause

Jak używać?

1. Skopiuj plik audio do folderu ze skryptem
2. Uruchom plik transkrypcja_audio.bat
3. Wygenerowana transkrypcja pojawi się w pliku .txt

️ Opcja 2: Whisper WebUI – graficzny interfejs do transkrypcji

Krok 1: Wymagania wstępne

- Python 3.8+ (link)
- Git (link)

Krok 2: Instalacja Whisper WebUI

git clone https://github.com/aarnphm/whisper-webui.git
cd whisper-webui
pip install -r requirements.txt
python app.py

Krok 3: Uruchom aplikację

Po uruchomieniu wejdź w przeglądarce na: http://127.0.0.1:7860

Funkcje GUI:

- Przeciąganie i upuszczanie plików
- Wybór modelu (tiny, base, small, medium, large)
- Obsługa języka polskiego
- Eksport do .txt, .srt, .vtt

Alternatywa bez kodowania: Whisper Desktop GUI

Dla osób, które nie chcą używać terminala – gotowa aplikacja EXE:

Whisper Desktop GUI (GitHub)

Działa lokalnie, nie wymaga internetu, prosty interfejs do kliknięcia.

Opcja 3: Buzz, czyli Whisper na Windowsie bez terminala

Buzz to darmowa aplikacja desktopowa, która uruchamia modele Whisper lokalnie na Twoim komputerze. Instalujesz ją jak zwykły program, bez Pythona, Gita i wpisywania komend. Nagrania nie opuszczają dysku, więc spokojnie nadaje się do rozmów z danymi poufnymi.

Krok 1: Pobierz program

Wyszukaj w Google Buzz Chidi Williams i wejdź na oficjalne repozytorium projektu na GitHubie. Autor aplikacji sam odsyła stamtąd do plików instalacyjnych, więc pobieraj tylko ze wskazanego przez niego miejsca. Omijaj strony z „przepakowanymi” instalatorami.
Wybierz najnowszą wersję i pobierz plik Windows-X64.zip. Paczka waży ok. 2,7 GB, bo zawiera wszystko, czego program potrzebuje do pracy.

Krok 2: Instalacja

Rozpakuj archiwum ZIP do jednego folderu. Pliki .exe i .bin muszą leżeć obok siebie.
Uruchom plik .exe.
Aplikacja nie ma podpisu cyfrowego, dlatego Windows pokaże komunikat „System Windows ochronił ten komputer”. Kliknij Więcej informacji, a potem Uruchom mimo to.
Dokończ instalację i uruchom Buzz z menu Start.

Masz kartę NVIDIA? Buzz może liczyć na GPU, co mocno skraca czas transkrypcji. W nowszych wersjach przyspieszenie CUDA doinstalujesz z poziomu programu: Help > About Buzz > Install CUDA Acceleration.

Krok 3: Transkrypcja pliku

Kliknij File > Import Media File, ikonę + na pasku albo wciśnij Ctrl + O.
Wybierz plik audio lub wideo (mp3, wav, m4a, mp4 i inne).
Ustaw zadanie Transcribe, typ modelu Whisper (albo szybszy Faster Whisper), rozmiar modelu small lub medium i język Polish. Język lepiej wskazać ręcznie, bo automatyczne wykrywanie potrafi się pomylić.
Kliknij Run. Przy pierwszym uruchomieniu Buzz pobierze wybrany model, później pracuje już offline.
Gdy status zmieni się na Completed, kliknij dwukrotnie wiersz z plikiem. Otworzy się podgląd transkrypcji, z którego wyeksportujesz tekst.

Uwaga: nie wybieraj typu modelu OpenAI Whisper API. Wtedy plik trafia na serwery OpenAI i cała idea lokalnej, bezpiecznej transkrypcji znika.

Co jeszcze potrafi Buzz?

Transkrypcja na żywo z mikrofonu
Rozpoznawanie mówców, przydatne przy rozmowach kilku osób
Tłumaczenie nagrania na angielski
Folder obserwowany, który sam przetwarza wrzucane pliki
Eksport do .txt, .srt, .vtt

Licencja

Buzz jest projektem open source udostępnianym na licencji MIT. Możesz go używać za darmo, także w firmie i komercyjnie, a nawet modyfikować kod. Jedyny warunek to zachowanie informacji o autorze i treści licencji, jeśli program albo jego kod przekazujesz dalej. Oprogramowanie dostarczane jest „tak jak jest”, bez żadnej gwarancji. Same modele Whisper od OpenAI też są na licencji MIT, więc w tym zestawie nie ma ukrytych opłat.

Jeśli zależy Ci na prywatności i pełnej kontroli nad transkrypcją, lokalne narzędzia są najlepszym wyborem. Dla geeków – terminal, dla wygodnych – GUI. Wszystkie opcje działają offline i wspierają język polski. Większość popularnych firm oferujących transkrypcje i ocenę rozmów na centralach telefonicznych (komercyjne rozwiązanie) używają tego modelu językowego.

5/5 - (1 vote)