Transkrypcja nagrań firmowych bez chmury — przetestowałem lokalny Whisper na Macu

Trafiłem na ten temat z własnej potrzeby. Pracuję z nagraniami, których pod żadnym pozorem nie mogę wysłać na zewnętrzne serwery — a potrzebowałem ich transkrypcji. Popularne narzędzia odpadły na starcie, bo wszystkie działają w chmurze. Zacząłem więc szukać rozwiązania, które przetworzy dźwięk na tekst w całości na moim komputerze. Okazało się, że istnieje — i działa lepiej, niż się spodziewałem.

Problem, który ma więcej firm, niż się wydaje

Firmy nagrywają dziś bardzo dużo: rozmowy handlowe, spotkania z klientami, wewnętrzne ustalenia, notatki głosowe rzucane w biegu. Samo nagranie jest jednak mało użyteczne — nikt nie będzie przesłuchiwał godzinnego spotkania, żeby znaleźć jedno ustalenie. Wartość zaczyna się od transkrypcji, czyli zamiany mowy na tekst, który można przeszukać, streścić albo podpiąć pod firmową bazę wiedzy.

I tu pojawia się zgrzyt. Typowa usługa transkrypcji działa tak, że wysyłasz plik audio na serwer usługodawcy — często poza Europę. A na tych nagraniach są dane klientów, warunki handlowe, czasem informacje objęte tajemnicą firmową. Z perspektywy RODO i zwykłej ostrożności biznesowej pytanie nasuwa się samo: czy te dane muszą opuszczać firmę?

Co przetestowałem

1 sierpnia 2026 sprawdziłem na swoim Macu Studio M4 Max otwarte narzędzie mlx-whisper (wersja 0.4.3) z modelem whisper-large-v3-turbo. To wariant Whispera — znanego silnika rozpoznawania mowy — przygotowany specjalnie pod komputery Apple. Najważniejsze: działa w 100% lokalnie. Plik audio nie opuszcza komputera nawet na sekundę.

Wyniki na polskich nagraniach:

– Tempo: godzina nagrania to około 3-6 minut transkrypcji. Cały dzień nagrań — 6 godzin materiału — komputer przerabia w pół godziny, w tle, kiedy Ty robisz swoje.
– Polskie znaki: 100% poprawnie. Wszystkie ą, ę, ż, ó na swoich miejscach — a to na polskich tekstach potrafi być piętą achillesową tańszych rozwiązań.
– Kwoty i liczby: 100% wierne. W nagraniach firmowych to akurat te fragmenty, w których pomyłka kosztuje najwięcej.
– Interpunkcja: naturalna — tekst nadaje się do czytania od razu, bez ręcznego poprawiania.
– Błędy: na 6 próbek i 17 fraz kluczowych wyszedł 1 błąd nazwy własnej i 2 kosmetyczne drobiazgi. Wniosek praktyczny: nietypowe nazwy firm czy nazwiska warto po transkrypcji przejrzeć, reszta broni się sama.

Koszt całości: zero. To oprogramowanie open source, bez abonamentu i bez opłat za minutę nagrania. Jedyny „wydatek” to jednorazowe pobranie modelu, około 1,6 GB.

Uczciwe zastrzeżenie

Test zrobiłem na próbkach syntetycznych — polskiej mowie wygenerowanej komputerowo, z liczbami i nazwami własnymi w treści. To dobry poligon na start, ale łatwiejszy niż życie: prawdziwe nagranie ze spotkania ma pogłos sali, nakładające się głosy i ludzi mówiących niewyraźnie. Zanim oprzesz na tym firmowy proces, przetestuj narzędzie na własnym, trudnym materiale. U mnie to następny krok.

Co to oznacza dla Twojej firmy

Trzy rzeczy, które z tego testu wynikają wprost.

Po pierwsze — poufność przestaje być kompromisem. Transkrypcja lokalna oznacza, że dane klientów i ustalenia handlowe zostają na firmowym sprzęcie. Nie musisz analizować regulaminu zagranicznej usługi ani zastanawiać się, gdzie wylądował Twój plik.

Po drugie — koszty się nie skalują. Usługi chmurowe liczą za minutę nagrania albo biorą miesięczny abonament, więc im więcej nagrywasz, tym więcej płacisz. Tutaj rachunek jest inny: raz skonfigurowane narzędzie przerabia kolejne godziny nagrań bez dodatkowych opłat.

Po trzecie — sprzęt już masz. Nie potrzeba serwera ani specjalistycznej maszyny. Test robiłem na Macu, czyli komputerze, który w wielu firmach stoi na biurku.

Proces lokalnej transkrypcji nagrań w firmie, 3 kroki: 1) Nagrania firmowe (rozmowy handlowe, spotkania, notatki głosowe) 2) Transkrypcja lokalna na komputerze — Whisper na Macu, dane nie opuszczają firmy 3) Wykorzystanie tekstu: analiza rozmów handlowych, podsumowania spotkań, firmowa <a href= — Proces lokalnej transkrypcji nagrań w firmie, 3 kroki: 1) Nagrania firmowe (rozmowy handlowe, spotkania, notatki głosowe) 2) Transkrypcja lokalna na komputerze — Whisper na Macu, dane nie opuszczają firmy 3) Wykorzystanie tekstu: analiza rozmów handlowych, podsumowania spotkań, firmowa baza wiedzy

A transkrypcja to dopiero pierwszy klocek. Tekst z nagrań można dalej podpiąć pod Trenera Sprzedaży, który analizuje rozmowy handlowe i podpowiada, co następnym razem powiedzieć lepiej, pod automatyczne podsumowania spotkań z listą ustaleń albo pod firmową bazę wiedzy SOTA RAG, która odpowiada na pytania z dokumentów i historii rozmów. Wtedy nagrania, które dziś leżą martwe na dysku, zaczynają na siebie pracować.

Jeśli w Twojej firmie nagrania się piętrzą, a dane są zbyt wrażliwe na chmurę — odezwij się. Pokażę Ci na żywo, jak to działa, i wspólnie sprawdzimy, czy taki proces ma sens u Ciebie.