跳至正文
MakerGain
← 返回案例列表

MacWhisper 把錄音變成文字,然後把「認人」留給你

編輯:MakerGain發布:文章更新:

Podfeet 的 Allison 用 MacWhisper 做訪談字幕與文字稿:填入 12.6 秒偏移、匯出 SRT,再逐句標註說話人並合併段落。自動辨識能分出聲音,卻不能替她判斷身分;她用 ChatGPT 輔助分段,也撞上 API key 與 Plus 訂閱混淆。開發者 Jordi Bruin 則因授權轉賣收緊條款。

做一期訪談影片的字幕,通常不止點一次滑鼠。Podfeet 部落格的 Allison 寫了她和 Steve 的分工:Steve 剪完影片,把音訊匯出成未壓縮的 AIFF 放到她桌面,檔名後面綴著影片開頭到她開口之間的偏移,比如 12-600 就是 12.6 秒。她在 MacWhisper 裡轉寫完,選好 segments,把這個偏移填進去,匯出 SRT 交給 Steve 上傳 YouTube。3 到 7 分鐘的影片,轉寫要一兩分鐘,填偏移加匯出只要幾秒。[1]

MacWhisper 是 Mac 上的轉寫應用。官網說講座、影片、播客、私人檔案都能拖進去,支援 100 多種語言和匯出,能錄線上會議而不用機器人加入,也能在任意應用裡聽寫。MacWhisper[2] 把聲音變成字,這一步由模型接走了。麻煩出現在之後:就算機器替你把聲音分成 Speaker 1、Speaker 2,人還得把它換成 Franci、Paweł 這樣的真名。Allison 那次更原始——他們只錄了單聲道,沒法走 Podcast 分軌自動認人這條路,她得給每一句手動認人。

字幕是順手,文字稿才費勁。Allison 要的不是一句一行的時間軸,是每個人說話的整段。應用裡有一鍵把片段併成句子,併成段落還得自己來;而在合併之前,每一句都得先有人名。她將游標懸停在句子上敲「1」或「2」認人,一邊放音一邊敲,點偏一點就進了編輯模式,把「2」打進別人的句子中間。合併段落要按住 shift 連選再右鍵選 merge——MacWhisper 的開發者 Jordi Bruin 答應過給她一個合併的快捷鍵,她寫這篇時還沒等到。[1]

後來她在另一台 Mac 上看見一個綠按鈕,寫著 Separate Speakers。它走的是 MacWhisper 的 ChatGPT 功能,不是內建的自動說話人辨識。按下去撞到一個錯誤:You do not have access to model 'GPT-4o'。錯誤訊息說,她的 OpenAI 帳戶要有有效付款方式,還得先用 GPT-4o mini 至少消費 約 NT$32.87($1)。她每月付 約 NT$657.30($20) 的 ChatGPT Plus,以為這筆錢夠了。Jordi 回信解釋,ChatGPT 功能要的是 API key,那不是同一回事——他說他知道這很混亂,也寫信給 OpenAI。Allison 也說她問題很多,Jordi 和 Ian 在支援上回得很快。[1]

她給這把 key 授權了最低的 約 NT$164.33($5),取消了循環付費,因為不知道最後會花多少。回到 MacWhisper,她拖進音訊,在提示詞裡寫上說話人姓名,要求把姓名加粗、結果排成 Markdown,再按那個綠按鈕,這次成了;複製不能用一般貼上,得點右邊的 copy reply,出來的才是像樣的 Markdown。[1]

這條界線值得停一下。官方文件寫明,MacWhisper 的 ChatGPT 功能要使用者填自己的 key,跑完由使用者審查並套用回覆。如何在 MacWhisper 中使用 ChatGPT[3] 官網把 AI 增強描述為自訂提示、本機和雲端模型、讓使用者使用自己喜歡的 AI 服務。MacWhisper[2] 想把錄音留在本機的人可以跑本機模型;要用雲端轉寫,可以接 ElevenLabs、Deepgram;要用 ChatGPT 這類 AI 增強,則要填自己的 key。可選的 Assistant 訂閱把雲端轉寫、AI 翻譯和「與轉寫內容聊天」放到開發者的伺服器上;不想用這層託管的人,可以改用自己的 key。MacWhisper 與 Whisper Transcription 的差異[4] 這麼改,也可能撞上配額、模型權限、付款方式這些錯。

在發現那個按鈕之前,Allison 還試過繞路:讓 MacWhisper 匯出純文字,交給 ChatGPT 分段。她先拿 Franci 的採訪試,又拿 Paweł 那場波蘭口音的試,兩次都分對了。Paweł 那場 3.5 分鐘,ChatGPT 用 1 分 45 秒,她估計人工至少要 15 分鐘;她還注意到 MacWhisper 把 Paweł 重複起頭的地方併成了乾淨的句子,也刪掉了她自己的「嗯」「啊」。換到 Tucker Jones 那場,ChatGPT 把 Tucker 的名字放到了本該是她的位置。影片訪談的精美轉寫稿 - Podfeet Podcasts[1] 這條路的前提是已經有一份初始轉寫——ChatGPT 在那個環境裡跑不了 Whisper。省掉的是後處理,入口還握在 MacWhisper 手裡。

這裡說的是 MacWhisper 12 內建的自動說話人辨識,和前面那個 ChatGPT 按鈕不是同一條路徑。它本身也有邊界。官方文件說,它只適用於 WhisperKit 引擎的本機模型,或雲端轉寫商 ElevenLabs 和 Deepgram;聽寫和「Transcribe Podcast」都不支援。MacWhisper 的自動說話人辨識[5] 辨識完成後,應用預設分配 Speaker 1、Speaker 2,使用者可以改名、把說同一人的兩段合併,用數字快捷鍵調片段歸屬。MacWhisper 的自動說話人辨識[5] 機器能分出幾個聲音,不能替你決定那是誰。

圖:來源 Good Snooze / MacWhisper[5],2026-11-14 取得,保留原介面。

這門生意怎麼收費,也決定了它長什麼樣。直接下載版走 Gumroad,一次性終身個人授權,涵蓋全部功能,使用者只付一次錢;App Store 上那版叫 Whisper Transcription,走週/月/年訂閱,不能輸入外部 license key,因商店限制,AI 供應商選項也更少。MacWhisper 與 Whisper Transcription 的差異[4] 賣出去的 MacWhisper 授權 key 後來成了轉賣對象。

2025 年 12 月的一次文件更新把這件事攤開了。開發者說,他發現有人轉售 MacWhisper 授權,尤其出現在淘寶等中國平台,於是開始更嚴格執行條款:個人授權供自己的裝置使用,軟限制 3 台,系統偵測到濫用會自動停用。啟用時出現「Your license is disabled」錯誤[6] 他列了四條後果:買家以為自己買的是正規授權;收不到授權收入,卻照樣收到支援郵件;系統會按訊號自動封禁;每個使用者都有持續成本,所以每一個被轉售授權的使用者,他都在虧。他沒給金額,虧損只能停在這句定性上;公開材料也沒有收入或利潤數字。

MacWhisper 出自獨立開發者 Jordi Bruin 之手。Jordi Bruin - Slices: The Deep Dish Swift Podcast[7] 有意思的是他補洞的方式。他說正在做更好的授權系統,但出於隱私,他想盡量少知道人們在哪兒、怎麼用這個應用。啟用時出現「Your license is disabled」錯誤[6] 查得越細越能攔住轉賣,也越接近他不想要的那種應用。一個把錄音留在本機的工具,最後要在「查得清」和「不多問」之間選:個人授權軟限制 3 台,但他說不想知道人們在哪裡、怎麼用。

繼續閱讀

AI 語音
原始碼擺在那裡,裝好的賣 $25:VoiceInk 把聽寫塞進任意文字框

VoiceInk 是面向 Apple Silicon Mac 的即時聽寫應用,按快速鍵把語音寫入文字框,也能顯示 AI 回答或執行命令。原始碼按 GPLv3 公開,預編譯版 約 NT$821.63($25)、約 NT$1,281.74($39)、約 NT$1,610.39($49) 一次買斷並按裝置數授權,含更新與支援;雲端服務需自備 API key。其聯盟計畫給 30% 佣金卻禁止付費流量,價格頁與 README 的 macOS 要求也不一致。

AI 影片AI 語音
影片留在本機,只把音軌送出去:AutoSubtitles 的 $3,254 MRR

AutoSubtitles 把影片轉字幕收進網頁:免註冊,頁面自述影片檔案留本機、只送音軌轉寫後刪除;TrustMRR 顯示累計收入 約 NT$695,719.19(21,169 美元)、MRR 約 NT$106,942.71(3,254 美元)、414 個活躍訂閱,收入經 Stripe 驗證。頁面列 Free、Pro 約 NT$295.79(9 美元)/月、Max 約 NT$492.98(15 美元)/月,但未說明付費週期與各檔限制。

AI 伴侶AI 圖片AI 語音
一則回覆算一則,一張照片算八則:Embraces.AI 把陪伴拆成訊息賣

Embraces.AI 把陪伴按訊息計價:一則回覆算 1 則,一張 Picture this 圖算 8 則。伴侶有跨會話記憶,會連發氣泡並主動找人;使用者可編輯記憶、匯出聊天。註冊前有 40 則免費訊息,付費三檔 約 NT$394.38($12) 起,約 NT$164.33($5) 可儲值 250 則。TrustMRR 2026-11-14 記其全時收入 約 NT$1,583,862.95($48,193)、426 個活躍訂閱。

AI 圖片AI 影片AI 語音
5900萬播放幾乎沒賺到錢,公開整個項目後,海外註冊當天增至6.5倍

Zohar Vanunu 用自建 Kolbo.AI 製作「聖經手機影像」AI 系列,30 天獲 5900 萬次播放和 20 多萬關注,卻自述幾乎沒帶來收入;公開完整製作教學後,海外註冊當天增至 6.5 倍,三週 3,285 人占新註冊 78%。產品把 100 多個模型與聊天、圖像、影片、音樂、語音放進同一專案,按點數收費。