Transkrypcja wideo na tekst za darmo, bez wysyłania pliku do sieci

Żeby zrobić transkrypcję wideo na tekst za darmo, uruchom Whisper od OpenAI na własnym komputerze. Czyta plik wideo bezpośrednio, rozumie około 100 języków, nie ma limitu minut i eksportuje zwykły tekst albo pliki z napisami. Możesz go obsługiwać z wiersza poleceń, z darmowej aplikacji, takiej jak Buzz lub Subtitle Edit, albo z aplikacji desktopowej, takiej jak Sablate.

Internetowe strony „wideo na tekst za darmo” też działają, ale racjonują dostęp: trzy pliki dziennie, po trzydzieści minut każdy, konto i wysyłanie pliku. Poniżej znajdziesz trzy lokalne sposoby, ile kosztuje każdy z nich w konfiguracji i jak dostać transkrypcję, która nie wymaga godziny sprzątania.

Dlaczego darmowe transkrybery online mają limit

Każda minuta rozpoznawania mowy kosztuje kogoś czas GPU. Kiedy wysyłasz wideo na stronę z transkrypcją, tym kimś jest właściciel strony, więc darmowy plan to próbka z licznikiem.

Liczniki wyglądają podobnie w całej kategorii. TurboScribe, jeden z hojniejszych, daje darmowym użytkownikom trzy transkrypcje dziennie, do 30 minut na plik, po jednym przesłanym pliku naraz; dłuższe pliki i nielimitowane korzystanie są za planem Unlimited, około $10 miesięcznie przy rozliczeniu rocznym. Inne usługi ograniczają darmowy plan do kilku minut dźwięku, nakładają na eksport znak wodny albo wstrzymują SRT i DOCX, dopóki nie zapłacisz. Nic w tym nieuczciwego. To po prostu rachunek za wynajmowanie GPU.

Uruchom ten sam model na własnym komputerze, a rachunek się odwraca. Moc obliczeniową płaci Twój komputer, więc nikt nie musi jej mierzyć. Za to sprzęt i cierpliwość dostarczasz Ty: laptop bez osobnej karty graficznej transkrybuje wolno, a przy pierwszym uruchomieniu pobiera model o rozmiarze od około 78 MB do 3 GB.

Silnik często jest ten sam. TurboScribe twierdzi, że działa na Whisper, tak samo jak wielu jego konkurentów. Darmowa transkrypcja lokalna i płatna w chmurze mogą powstać z tego samego modelu, a prawdziwa różnica polega na tym, do kogo należy GPU i dokąd trafia plik.

Trzy lokalne sposoby: transkrypcja wideo na tekst za darmo

1. Whisper z wiersza poleceń. Za darmo, bez limitów, każdy model. Wymaga Pythona i FFmpeg, a w wyniku dostajesz pliki, nie edytor.
2. Darmowa aplikacja z Whisper: Buzz lub Subtitle Edit. Za darmo, bez limitów, okno zamiast terminala. Edycja na minimalnym poziomie.
3. Sablate. Aplikacja desktopowa zbudowana wokół poprawiania transkrypcji i zamieniania jej w napisy w kilku językach. Za darmo z limitami, $29 jednorazowo za pełną wersję.

Wszystkie trzy zostawiają wideo na Twoim dysku.

Metoda 1: Whisper z wiersza poleceń

Implementacją referencyjną jest pakiet openai-whisper od OpenAI. Wymaga Pythona 3 i FFmpeg, którego Whisper używa do wyciągnięcia dźwięku z pliku wideo.

Najpierw zainstaluj FFmpeg. W Windowsie:

winget install Gyan.FFmpeg

W macOS, z Homebrew:

brew install ffmpeg

Potem zainstaluj Whisper i zrób transkrypcję:

pip install -U openai-whisper
whisper "interview.mp4" --model turbo --language en --output_format txt

W miejscu, w którym uruchomiono polecenie, powstanie plik interview.txt. Zamień txt na srt lub vtt, żeby zachować czasy, albo użyj all, żeby dostać wszystkie formaty naraz. --model turbo to large-v3-turbo; na komputerze bez GPU --model small kończy w ułamku tego czasu.

Ograniczenia są realne:

• W Windowsie pip instaluje wersję PyTorch na CPU. Żeby użyć karty NVIDIA, trzeba zainstalować PyTorch od nowa z indeksu CUDA na pytorch.org, i na tym upływa większości pierwszy wieczór.
• Nie ma edytora. Dostajesz plik tekstowy. Poprawianie go oznacza otwarcie w edytorze tekstu i słuchanie wideo w drugim oknie.
• Cisza i muzyka potrafią wygenerować wymyślony tekst. Whisper czasem powtarza wiersz albo wpisuje „Thanks for watching” w cichym fragmencie. Nasz poradnik o halucynacjach Whisper wyjaśnia, skąd się to bierze i które ustawienia je ograniczają.

Jeśli swobodnie czujesz się w terminalu, to najbardziej elastyczna darmowa opcja, jaka istnieje, i skaluje się na cały folder plików jedną pętlą w jednej linii.

Metoda 2: darmowa aplikacja z Whisper (Buzz lub Subtitle Edit)

Jeśli wolisz klikać niż pisać, dwie darmowe aplikacje opakowują te same modele w okno.

Buzz to aplikacja do transkrypcji o otwartym kodzie (MIT) na Windows, macOS i Linux. Importujesz wideo, wybierasz model i język, naciskasz Run i eksportujesz TXT, SRT lub VTT. Może korzystać z kilku silników, w tym faster-whisper i whisper.cpp, obsługuje przyspieszanie na GPU i potrafi oznaczać mówców. Instalator na Windows nie jest podpisany cyfrowo, więc system pokazuje ostrzeżenie SmartScreen, które trzeba kliknąć, żeby przejść dalej.

Subtitle Edit to od lat używany darmowy edytor napisów na Windows, z wersją na macOS w becie. W menu Video ma opcję Audio to text (Whisper), która pobiera silnik i model za Ciebie, robi transkrypcję i otwiera wynik w pełnym edytorze czasów. Czyta i zapisuje więcej formatów napisów niż jakiekolwiek inne narzędzie, a wynik możesz zapisać jako zwykły tekst, kiedy potrzebujesz samych słów.

Oba są świetne i oba są darmowe, bez limitów. Koszt leży głównie w drugiej połowie pracy: Buzz daje podgląd transkrypcji z odtwarzaniem i wyszukiwaniem, ale niewiele do ustawiania czasów napisów, a Subtitle Edit daje potężny edytor, który zakłada, że wiesz już, czym jest linijka napisów, liczba klatek na sekundę i format napisów.

Metoda 3: aplikacja desktopowa taka jak Sablate

Sablate uruchamia faster-whisper lokalnie na Windows i Macu i jest zbudowany wokół tego, co dzieje się po transkrypcji: poprawiania jej i zamieniania w napisy.

1. Przeciągnij plik wideo do aplikacji i wybierz język mowy oraz poziom modelu: Fast, Balanced, Accurate (large-v3-turbo) albo Best (large-v3).
2. Transkrypcja otwiera się w edytorze, w którym każdy wiersz jest powiązany ze swoim momentem w wideo. Kliknij wiersz, żeby go usłyszeć, i popraw go na miejscu.
3. Dodaj nazwy i terminy produktowe do słownika przed transkrypcją, a zamiany „znajdź i zamień” (Ctrl+H) użyj, żeby poprawić przesłyszane słowo wszędzie naraz.
4. Wyeksportuj .txt albo skopiuj tekst, albo wyeksportuj .srt i .vtt. Jeśli wideo potrzebuje napisów w innych językach, dodaj warstwy tłumaczeń do tej samej transkrypcji zamiast transkrybować od nowa.

Wersja darmowa jest stała i nie wymaga konta, ale spośród lokalnych opcji tutaj jest najbardziej ograniczona: wideo do 10 minut, trzy zadania miesięcznie oraz modele Fast i Balanced. Pierwsze wideo dłuższe niż to zostanie raz przetworzone w pełnej długości. Jeśli potrzebujesz zawsze tylko jednej długiej transkrypcji, Buzz albo wiersz poleceń zrobią to za darmo i to jest uczciwa rekomendacja.

Sablate zarabia na swoje $29 jednorazowo za wersję Pro wolumenem i edytorem: nielimitowana długość, każdy model Whisper, transkrypcja wsadowa i eksport wszystkich języków wideo jednym kliknięciem.

Darmowe narzędzia do transkrypcji wideo: porównanie

Ceny i limity według stanu z października 2026. Wzorzec dotyczy całej kategorii: darmowe narzędzia lokalne nie mają licznika, narzędzia online nie wymagają instalacji, a za tę wygodę płaci się minutami.

Czy darmowy Whisper jest tak dokładny jak płatna transkrypcja?

Przy wyraźnej mowie dokładność darmowej transkrypcji lokalnej to dokładność wybranego modelu, a nie zapłaconej ceny. Płatna usługa z large-v3 i Twój laptop z large-v3 dają niemal identyczny tekst z tego samego dźwięku.

Wybór modelu liczy się znacznie bardziej niż narzędzie. large-v3-turbo to large-v3 z dekoderem skróconym z 32 warstw do 4: około 8× szybszy, a różnica w gotowej transkrypcji jest na zwykłym materiale niewielka. tiny i small są szybkie, ale gubią słowa przy akcentach, mówieniu jeden przez drugiego i szybkiej mowie. Nasze porównanie modeli Whisper zawiera rozmiary, prędkości i udokumentowany przypadek, w którym większy model pominął mowę, którą wychwycił mniejszy.

Trzech rzeczy nie naprawi za Ciebie żaden silnik, darmowy ani płatny:

1. Nazwy własne i żargon. Whisper zapisuje nieznane nazwisko fonetycznie i za każdym razem inaczej. Słownik pomaga najbardziej na początku pliku, gdzie model czyta go jako kontekst; reszcie zaradzi zamiana „znajdź i zamień”.
2. Cisza i muzyka. Długie ciche fragmenty to miejsca, w których pojawiają się zhalucynowane wiersze. Przytnij puste odcinki albo sprawdź te miejsca w pierwszej kolejności.
3. Nakładające się głosy. Whisper zapisuje jeden strumień tekstu i nie oznacza, kto co powiedział. Buzz dodaje krok rozpoznawania mówców, a płatne usługi oferują etykiety mówców; Sablate i wiersz poleceń Whisper tego nie robią.

Płatne usługi nadal wygrywają w dwóch sprawach: działają na telefonie, a niektóre dokładają etykiety mówców i streszczenia. Jeśli nie potrzebujesz żadnego z nich, płacenie jest opcjonalne.

Której metody użyć?

„Potrzebuję jednej transkrypcji, raz, i swobodnie czuję się w terminalu.” Użyj wiersza poleceń Whisper z --model turbo, jeśli masz GPU, albo z --model small, jeśli go nie masz.

„Chcę darmową aplikację i nigdy nie dotknę terminala.” Zainstaluj Buzz. Jest darmowy, bez limitów, i eksportuje potrzebne formaty.

„Naprawdę potrzebuję napisów i czasy muszą się zgadzać.” Użyj Subtitle Edit, jeśli znasz już edycję napisów, albo Sablate, jeśli chcesz mieć transkrypcję, poprawki i napisy w jednym miejscu. Nasz poradnik o tworzeniu pliku SRT omawia zasady formatu w obu przypadkach.

„Jestem na telefonie albo wideo jest krótkie i niepoufne.” Darmowy plan narzędzia online to najszybsza droga. Trzy pliki dziennie w zupełności wystarczą do okazjonalnego użytku.

„Wideo jest już na YouTube i muszę je tylko przeczytać.” Panel Pokaż transkrypcję na YouTube jest darmowy i natychmiastowy dla wideo z napisami. Żadne narzędzie nie jest potrzebne.

„Transkrybuję co tydzień albo wideo potrzebuje potem napisów w innych językach.” Do tego przypadku Sablate został zbudowany: nielimitowana długość w Pro, prawdziwy edytor i warstwy tłumaczeń na tej samej transkrypcji.

Jak za pierwszym razem dostać czystszą transkrypcję

Większość sprzątania bierze się z czterech błędów, których można uniknąć.

Ustaw język jawnie. Automatyczne wykrywanie słucha pierwszych 30 sekund. Wideo, które zaczyna się muzyką albo powitaniem w innym języku, zostaje przetranskrybowane w złym języku albo wychodzi częściowo przetłumaczone na angielski, co jest znaną przypadłością Whisper.

Używaj największego modelu, który Twój komputer uruchamia bez trudu. Przejście z small na large-v3-turbo usuwa więcej błędów niż jakakolwiek ilość poprawek po fakcie, a na GPU kosztuje niewiele czasu.

Najpierw popraw nazwy. Popraw transkrypcję, zanim wyeksportujesz napisy albo ją przetłumaczysz. Nazwa poprawiona raz u źródła jest poprawiona w każdym pliku, który z niej powstanie.

Trzymaj TXT i SRT osobno w głowie. TXT jest do czytania; SRT do czasów. Jeśli napisy mogą się później przydać, wyeksportuj od razu także SRT, bo odtwarzanie czasów ze zwykłego pliku tekstowego to najwolniejsza praca w całym tym procesie.

Zacznij od jednego wideo i narzędzia, które pasuje do Twojej sytuacji powyżej. Jeśli chcesz mieć transkrypcję, poprawki i napisy w jednym oknie, pobierz Sablate na Windows lub Maca; wersja darmowa nie wymaga konta.

Najczęściej zadawane pytania

Czy można zrobić transkrypcję wideo na tekst całkowicie za darmo?

Tak. Whisper od OpenAI jest darmowy, ma otwarty kod i działa na zwykłym komputerze z Windowsem lub Makiem, więc nie ma opłaty za minutę ani dziennego limitu. Darmowe usługi online zwykle za to racjonują dostęp: plan darmowy TurboScribe pozwala na przykład na trzy pliki dziennie, do 30 minut każdy. Lokalnie jedynym ograniczeniem jest to, jak długo jesteś gotów czekać.

Czy darmowy Whisper jest wystarczająco dokładny, żeby zastąpić płatną transkrypcję?

W przypadku wyraźnej mowy zwykle tak. Kilka płatnych usług transkrypcji samo uruchamia Whisper, więc cena rzadko zmienia silnik. O dokładności decyduje rozmiar modelu: large-v3-turbo i large-v3 radzą sobie z akcentami, hałasem i szybką mową znacznie lepiej niż tiny czy small. Nazwy własne i żargon trzeba poprawiać w każdym silniku, darmowym i płatnym.

Czy do transkrypcji wideo w Whisper potrzebna jest karta graficzna?

Nie. Whisper działa także na procesorze, tylko wolniej. Karta NVIDIA jest zwykle od pięciu do dziesięciu razy szybsza niż ten sam komputer na samym CPU i właśnie dzięki niej duże modele nadają się do długich nagrań. Bez GPU realistycznym wyborem na co dzień jest model small, a turbo to coś, co uruchamia się i zostawia w tle.

Czy mogę zrobić transkrypcję wideo bez wysyłania go gdziekolwiek?

Tak. Lokalne narzędzie Whisper czyta plik wideo z Twojego dysku, wyodrębnia dźwięk i transkrybuje go na Twoim komputerze, więc plik nigdy go nie opuszcza. Sam model pobiera się jednorazowo, a potem połączenie z internetem nie jest potrzebne. Usługi transkrypcji online z założenia wymagają, żeby plik został najpierw wysłany na ich serwery.

Wyeksportować transkrypcję jako TXT czy SRT?

Eksportuj TXT, jeśli chcesz czytać, cytować lub edytować słowa, a SRT albo VTT, jeśli potrzebujesz czasów, do napisów lub do znalezienia momentu w wideo. Oba formaty powstają z tej samej transkrypcji, więc nie musisz wybierać z góry. Większość narzędzi opartych na Whisper eksportuje oba formaty z jednego uruchomienia.

Czy Sablate jest darmowy do transkrypcji?

Tak, na stałe i bez konta, ale z limitami. Wersja darmowa obejmuje wideo do dziesięciu minut, trzy zadania miesięcznie, modele Whisper Fast i Balanced oraz eksport TXT, SRT i VTT. Pierwsze dłuższe wideo zostanie przetworzone w całości. Pro kosztuje $29 jednorazowo, znosi limity długości i liczby zadań oraz dodaje modele Accurate i Best.