做一期访谈视频的字幕,通常不止点一次鼠标。Podfeet 博客的 Allison 写了她和 Steve 的分工:Steve 剪完视频,把音频导成未压缩的 AIFF 放到她桌面,文件名后面缀着视频开头到她开口之间的偏移,比如 12-600 就是 12.6 秒。她在 MacWhisper 里转写完,选好 segments,把这个偏移填进去,导出 SRT 交给 Steve 上传 YouTube。3 到 7 分钟的视频,转写要一两分钟,填偏移加导出只要几秒。[1]
MacWhisper 是 Mac 上的转写应用。官网说讲座、视频、播客、私人文件都能拖进去,支持 100 多种语言和导出,能录在线会议而不用机器人加入,也能在任意应用里听写。MacWhisper[2] 把声音变成字,这一步模型接走了。麻烦出现在之后:就算机器替你把声音分成 Speaker 1、Speaker 2,人还得把它换成 Franci、Paweł 这样的真名。Allison 那次更原始——他们只录了单声道,没法走 Podcast 分轨自动认人这条路,她得给每一句手动认人。
字幕是顺手,文字稿才费劲。Allison 要的不是一句一行的时间轴,是每个人说话的整段。应用里有一键把片段并成句子,并成段落还得自己来;而在合并之前,每一句都得先有人名。她悬停在句子上敲“1”或“2”认人,一边放音一边敲,点偏一点就进了编辑模式,把“2”打进别人的句子中间。合并段落要按住 shift 连选再右键选 merge——MacWhisper 的开发者 Jordi Bruin 答应过给她一个合并的快捷键,她写这篇时还没等到。[1]
后来她在另一台 Mac 上看见一个绿按钮,写着 Separate Speakers。它走的是 MacWhisper 的 ChatGPT 功能,不是内置的自动说话人识别。按下去撞了个错:You do not have access to model 'GPT-4o'。错误信息说,她的 OpenAI 账户要有有效付款方式,还得先用 GPT-4o mini 至少消费 约 CN¥6.67($1)。她每月交 约 CN¥133.41($20) 的 ChatGPT Plus,以为这笔钱够了。Jordi 回信解释,ChatGPT 功能要的是 API key,那不是一回事——他说他知道这很混乱,还给 OpenAI 写过信。Allison 也说她问题很多,Jordi 和 Ian 在支持上回得很快。[1]
她给这把 key 授权了最低的 约 CN¥33.35($5),取消了循环付费,因为不知道最后会花多少。回到 MacWhisper,她拖进音频,在提示词里写上说话人姓名,要求把姓名加粗、结果排成 Markdown,再按那个绿按钮,这次成了;复制不能用普通粘贴,得点右边的 copy reply,出来的才是像样的 Markdown。[1]
这条界线值得停一下。官方文档写明,MacWhisper 的 ChatGPT 功能要用户填自己的 key,跑完由用户审查并应用回复。How to use ChatGPT in MacWhisper[3] 官网把 AI 增强写成自定义提示、本地和云端模型、让用户使用自己喜欢的 AI 服务。MacWhisper[2] 想把录音留在本机的人可以跑本地模型;要用云转写,可以接 ElevenLabs、Deepgram;要用 ChatGPT 这类 AI 增强,则要填自己的 key。可选的 Assistant 订阅把云转写、AI 翻译和“与转写内容聊天”放到开发者的服务器上;不想用这层托管的人,可以改用自己的 key。MacWhisper & Whisper Transcription Difference[4] 这么改,也可能撞上配额、模型权限、付款方式这些错。
在发现那个按钮之前,Allison 还试过绕路:让 MacWhisper 导出纯文本,交给 ChatGPT 分段。她先拿 Franci 的采访试,又拿 Paweł 那场波兰口音的试,两次都分对了。Paweł 那场 3.5 分钟,ChatGPT 用 1 分 45 秒,她估计人工至少要 15 分钟;她还注意到 MacWhisper 把 Paweł 重复起头的地方并成了干净的句子,也删掉了她自己的“嗯”“啊”。换到 Tucker Jones 那场,ChatGPT 把 Tucker 的名字放到了本该是她的位置。Fancy Transcripts of Video Interviews - Podfeet Podcasts[1] 这条路的前提是已经有一份初始转写——ChatGPT 在那个环境里跑不了 Whisper。省掉的是后处理,入口还在 MacWhisper 手里。
这里说的是 MacWhisper 12 内置的自动说话人识别,和前面那个 ChatGPT 按钮不是同一路径。它本身也有边界。官方文档说,它只适用于 WhisperKit 引擎的本地模型,或云转写商 ElevenLabs 和 Deepgram;听写和“Transcribe Podcast”都不支持。Automatic Speaker Recognition in MacWhisper[5] 识别完成后,应用默认分配 Speaker 1、Speaker 2,用户可以改名、把说同一人的两段合并,用数字快捷键调片段归属。Automatic Speaker Recognition in MacWhisper[5] 机器能分出几个声音,不能替你决定那是谁。
图:来源 Good Snooze / MacWhisper[5],2026-11-14取得,保留原界面。
这门生意怎么收钱,也决定了它长什么样。直接下载版走 Gumroad,一次性终身个人授权,覆盖全部功能,用户只付一次钱;App Store 上那版叫 Whisper Transcription,走周/月/年订阅,不能输入外部 license key,因商店限制,AI 提供商选项也更少。MacWhisper & Whisper Transcription Difference[4] 卖出去的 MacWhisper 授权 key 后来成了转卖对象。
2025 年 12 月的一次文档更新把这件事摊开了。开发者说,他发现有人转售 MacWhisper 授权,尤其出现在淘宝等中国平台,于是开始更严格执行条款:个人授权供自己的设备使用,软限制 3 台,系统检测到滥用会自动禁用。“Your license is disabled” error when activating[6] 他列了四条后果:买家以为自己买的是正规授权;收不到授权收入,却照样收到支持邮件;系统会按信号自动封禁;每个用户都有持续成本,所以每一个被转售授权的用户,他都在亏。他没给金额,亏损只能停在这句定性上;公开材料也没有收入或利润数字。
MacWhisper 出自独立开发者 Jordi Bruin 之手。Jordi Bruin - Slices: The Deep Dish Swift Podcast[7] 有意思的是他补洞的方式。他说正在做更好的授权系统,但出于隐私,他想尽量少知道人们在哪儿、怎么用这个应用。“Your license is disabled” error when activating[6] 查得越细越能拦住转卖,也越接近他不想要的那种应用。一个把录音留在本地的工具,最后要在“查得清”和“不多问”之间选:个人授权软限制 3 台,但他说不想知道人们在哪里、怎么用。