Lokal Whisper på en Mac: vad den kräver, vad den kostar och hur du kör den
Av Ryleigh Newman · Publicerad
Lokal Whisper betyder att köra OpenAI:s talmodell Whisper på din egen Mac, så att ditt ljud blir text på maskinen i stället för på en server någonstans. På en Mac är motorn att känna till whisper.cpp, som behandlar Apple-chip som förstklassigt stöd, och beslutet som spelar roll är modellfilen: större modeller hör bättre och tar mer diskutrymme och minne.
Jag går igenom hur delarna hänger ihop, vad varje modellstorlek kostar enligt whisper.cpp:s egna siffror, kommandona för att köra den själv och var YapToText passar in. Jag byggde YapToText, en gratisapp som kör whisper.cpp med den vanliga filen Whisper Large v3 Turbo (Q5), så väg den delen med det i åtanke. Om du bara vill veta om det finns en Whisper-app för Mac svarar sidan om Whisper-appen för Mac på det.
Gratis att hämta. Inget konto och inga låsta funktioner, för macOS 14 eller senare på en Mac med Apple-chip. Källkod på GitHub.
Den här guiden på andra språk: English, العربية, Čeština, Dansk, Deutsch, Ελληνικά, Español, Suomi, Français, עברית, हिन्दी, Magyar, Bahasa Indonesia, Italiano, 日本語, 한국어, Norsk, Nederlands, Polski, Português, Română, Русский, Slovenčina, ไทย, Türkçe, Українська, Tiếng Việt, 简体中文, 繁體中文
På den här sidan: 12 avsnitt
Steg
- Klona arkivet whisper.cpp från GitHub och öppna dess mapp i Terminal.
- Hämta en modell med projektets skript download-ggml-model.sh, till exempel large-v3-turbo-q5_0.
- Bygg projektet med CMake, med de två cmake-kommandona från dess README.
- Konvertera din inspelning till en WAV-fil i 16 bitar, till exempel med ffmpeg.
- Kör whisper-cli med din modellfil och din WAV-fil och läs transkriberingen i Terminal.
Känn till de tre delarna i lokal Whisper
Lokal Whisper har tre delar, och alla tre ligger på din Mac. Modellen är en fil, motorn kör den och ditt ljud behöver aldrig lämna maskinen.
- Modellen. Whisper är OpenAI:s modell för taligenkänning, och OpenAI släppte sin kod och sina modellvikter under MIT-licensen. Du hämtar en modellfil en gång, och den filen gör lyssnandet.
- Motorn. whisper.cpp är en ren implementation av Whisper i C och C++, också under MIT-licensen. Dess README kallar Apple-chip en förstklassig plattform, optimerad genom ARM NEON, Accelerate, Metal och Core ML, och säger att på Apple-chip körs inferensen helt på GPU:n genom Metal. OpenAI:s eget paket kör i stället Whisper från Python.
- Ditt ljud. En inspelning eller din mikrofon går in, och text kommer ut. Internet behövs bara för att hämta modellfilen från början.
Det är det som skiljer den från en molntjänst: ingenting laddas upp för att transkriberas. Det betyder också att din Mac gör jobbet, så modellen du väljer avgör hur mycket minne och diskutrymme jobbet tar.
Välj modell efter diskutrymme och minne
whisper.cpp publicerar vad varje modell tar på disk och i minne, och OpenAI publicerar hur många parametrar var och en har. Turbo är OpenAI:s snabbare version av large-v3, och dess 5-bitarsfil tar ungefär en femtedel av diskutrymmet för large.
Kontrollerat 3 oktober 2026 i README och modellistan för whisper.cpp och i OpenAI:s README för Whisper.
| Modell | Parametrar (OpenAI) | Fil på disk (whisper.cpp) | Minne (whisper.cpp) |
|---|---|---|---|
| tiny | 39 M | 75 MiB | Cirka 273 MB |
| base | 74 M | 142 MiB | Cirka 388 MB |
| small | 244 M | 466 MiB | Cirka 852 MB |
| medium | 769 M | 1,5 GiB | Cirka 2,1 GB |
| large (v1, v2 eller v3) | 1550 M | 2,9 GiB | Cirka 3,9 GB |
| large-v3, 5 bitar (q5_0) | Kvantiserad large-v3 | 1,1 GiB | Anges inte |
| large-v3-turbo | 809 M | 1,5 GiB | Anges inte |
| large-v3-turbo, 5 bitar (q5_0) | Kvantiserad turbo | 547 MiB | Anges inte |
MiB och GiB räknas i steg om 1 024, så turbofilen på 547 MiB i whisper.cpp:s lista är samma fil som YapToText visar som 574 MB. Så kan två ärliga sidor ange en fil som 547 och 574 och båda ha rätt. whisper.cpp:s minnestabell täcker de fem ursprungliga storlekarna och ger ingen siffra för turbo eller för de kvantiserade filerna.
Några anteckningar till från de två projekten:
- Modeller bara för engelska. tiny, base, small och medium finns också som .en-filer av samma storlek som bara hör engelska. OpenAI säger att de tenderar att göra det bättre för engelska, särskilt tiny.en och base.en, och att skillnaden krymper för small.en och medium.en.
- Kvantiserade modeller. Filer som slutar på q5_0 är kvantiserade. whisper.cpp säger att kvantiserade modeller behöver mindre minne och diskutrymme och, beroende på hårdvaran, kan bearbetas mer effektivt.
- Turbo. OpenAI kallar den en optimerad version av large-v3 med snabbare transkribering och minimalt sämre noggrannhet, och anger den till ungefär 8 gånger hastigheten för large. Det förhållandet mättes på en A100, inte på en Mac, och OpenAI säger att turbo inte är tränad för översättning.
- Språk. OpenAI säger att Whispers prestanda varierar kraftigt beroende på språket.
- OpenAI:s minneskolumn. OpenAI:s README listar i stället nödvändigt VRAM för sitt Python-paket: ungefär 1 GB för tiny och base, ungefär 6 GB för turbo och ungefär 10 GB för large. Det är inte siffror från whisper.cpp.
Jag valde 5-bitarsfilen för turbo till YapToText eftersom den, på mina egna dikteringar, hörde nästan exakt det som hela modellen hörde, med en tredjedel av minnet. Det är en persons dikteringar, inte ett prov, så testa två storlekar på din egen röst innan du bestämmer dig.
Kör Whisper själv med whisper.cpp
Att köra whisper.cpp själv kräver Terminal och de två verktygen som kommandona i dess README förutsätter, Git och CMake. Det här är READMEs egna kommandon, med modellen utbytt mot 5-bitarsfilen för turbo. Det du får är en transkribering av en ljudfil i Terminal, inte ord som skrivs i dina appar.
Steg 1: Hämta koden och en modell
Terminal: Klona whisper.cpp och hämta 5-bitarsmodellen för turbo.
git clone https://github.com/ggml-org/whisper.cpp.git
cd whisper.cpp
sh ./models/download-ggml-model.sh large-v3-turbo-q5_0Det som händer: Projektet hamnar i en mapp som heter whisper.cpp, och skriptet hämtar ggml-large-v3-turbo-q5_0.bin från Hugging Face till dess mapp models. Byt till base.en eller small för en mindre hämtning.
Steg 2: Bygg den och transkribera exemplet
Terminal: Bygg whisper-cli och kör den sedan på exempelinspelningen som följer med projektet.
cmake -B build
cmake --build build -j --config Release
./build/bin/whisper-cli -m models/ggml-large-v3-turbo-q5_0.bin -f samples/jfk.wavDet som händer: CMake bygger projektet, och whisper-cli transkriberar exemplet med modellen du hämtade och skriver ut texten i Terminal.
Steg 3: Konvertera ditt eget ljud först
READMEn säger att whisper-cli för närvarande bara körs med WAV-filer i 16 bitar, och den ger ett ffmpeg-kommando för att konvertera allt annat. ffmpeg är en separat installation.
Terminal: Gör en MP3 till WAV-formatet som whisper-cli läser.
ffmpeg -i input.mp3 -ar 16000 -ac 1 -c:a pcm_s16le output.wavDet som händer: ffmpeg skriver output.wav som ljud i 16 kHz, mono och 16 bitar, som du sedan ger till whisper-cli efter -f.
Eller använd OpenAI:s Python-paket
Terminal: Installera OpenAI:s eget paket, om du hellre arbetar i Python.
pip install -U openai-whisperDet som händer: pip installerar kommandot whisper. OpenAI:s README säger att koden förväntas fungera med Python 3.8 till 3.11, att den behöver ffmpeg och att dess standardmodell är turbo.
För live-tal innehåller whisper.cpp whisper-stream, som provar din mikrofon varje halv sekund och transkriberar kontinuerligt. Den behöver SDL2, och READMEn kallar den ett naivt exempel. Att få in orden i Mail, Slack eller din editor är den del som en app lägger till.
Använd samma modell i YapToText utan Terminal
YapToText kör samma motor och samma fil utan något Terminal-fönster: en kopia av whisper.cpp inbyggd i appen med Metal och Accelerate, och ggml-large-v3-turbo-q5_0.bin inuti hämtningen från App Store. Dess SHA-256 stämmer med filen på Hugging Face, så det är den vanliga modellen, inte en särskilt justerad eller omtränad. Jag byggde appen eftersom mina händer gör det svårt att skriva, och jag ville ha Whisper som skriver i varje app i stället för att skriva ut i ett Terminal-fönster. Det är filen som skriptet hämtar. Det som ändras är allt runt omkring.
Det här lägger appen till runt modellen:
- Minne som den ger tillbaka. På sidan Energy avgör Keep models in memory hur länge en modell förblir laddad efter en diktering: 2 minuter efter användning som standard, med val från Only while dictating till Until quit. Att ladda ur tidigare sparar energi och minne, och nästa diktering efter en urladdning tar några sekunder extra.
- Utrymme åt macOS. När macOS får ont om minne släpper YapToText sina laddade modeller direkt och väntar fem minuter innan den värmer upp dem igen.
- En lättare modell på batteri. Switch models with the power source, som är av från början, ger diktermodellen och modellen för städning var sitt val för ansluten till elnätet och på batteri.
- Din egen fil. Under Your own models på sidan AI Models tar Add Model vilken GGML-.bin för whisper.cpp som helst, så en modell som du hämtade med skriptet fungerar också. Appen läser filen för att se vad den är och avvisar allt annat.
- Din Macs siffror. Kortet This Mac på sidan Energy visar ditt chip och ditt minne, vilket är siffran att hålla mot tabellen ovan.
Dictation Model Library på sidan AI Models har tio Whisper-modeller till, från Tiny till Large v3, var och en med storleken som appen visar. Guiden till AI-modeller listar dem, och energiguiden förklarar minnesinställningarna. Hämtningen från App Store är ungefär 2,9 GB eftersom båda appens modeller finns i den. Versionen från Homebrew är ungefär 12 MB och behöver en hämtning av en talmodell före sin första diktering.
Om lokal Whisper är långsam eller hör fel
Börja med de billiga åtgärderna innan du hämtar en större modell. Rätta mikrofonen och orden innan du byter modell.
- Vänta ut den första körningen. En modell måste laddas innan den kan transkribera. I YapToText tar den första dikteringen efter start en stund. Om du byggde whisper.cpp med Core ML säger dess README att den första körningen på en enhet är långsam medan tjänsten för Neural Engine kompilerar modellen.
- Ställ in språket du talar. Väljaren Language på sidan AI Models i YapToText börjar på din Macs systemspråk, och ett språk som Whisper inte kan använda faller tillbaka på automatisk identifiering. Sidan om språk listar alla 29.
- Rätta mikrofonen. Bluetooth-mikrofoner har telefonkvalitet, så Macens egen mikrofon hör bättre. I YapToText väljer du den i väljaren Input i panelen i menyraden.
- Lär den dina ord. Sidan Dictionaries i YapToText förbereder Whisper med dina namn och termer, och rättar inte bara det den skriver. Guiden till ordlistor visar hur.
- Välj en modell bara för engelska om du talar engelska. Om minnet är knappt och du bara talar engelska säger OpenAI att .en-versionerna tenderar att göra det bättre, mest vid tiny och base.
- Ändra modellstorlek. Gå större om den hör fel och minnet räcker, eller mindre om den är långsam. I YapToText visar stjärnbetygen på sidan AI Models avvägningen, och varje diktering i History visar sin egen tid från stopp till text.
Det lokal Whisper inte ändrar
Att köra Whisper lokalt flyttar arbetet till din Mac, och det är allt som flyttas. Lokalt ändrar vart din röst tar vägen, inte hur väl den hörs.
- Misstag. Modellen avgör hur bra den hör, var den än körs, så ett namn som den hör fel behöver en post i en ordlista eller en bättre mikrofon, inte en annan plats.
- Översättning. OpenAI säger att turbo inte är tränad för översättning, och YapToText ber bara Whisper att transkribera, aldrig att översätta.
- En hämtning. En lokal modell måste ändå komma fram en gång. Skriptet i whisper.cpp hämtar den från Hugging Face, versionen av YapToText från App Store har den inbyggd, och versionen från Homebrew hämtar den från sidan AI Models.
- Intel-Mac. whisper.cpp listar Mac med Intel och Arm som stödda. YapToText kräver Apple-chip och macOS 14 eller senare, och inget påstås för Intel-Mac.
- Siffror för noggrannhet. Jag publicerar inga procentsiffror för noggrannhet för någon modell. Stjärnorna och din egen History är vägledningen.
För att bevisa att en uppsättning verkligen är lokal har sidan om diktering offline ett test på en minut: stäng av Wi-Fi och diktera.
Kort sammanfattat
- Lokal Whisper. Det är en modellfil och en motor på din Mac, utan att något laddas upp.
- Modellen. 5-bitarsfilen för turbo, 547 MiB i whisper.cpp:s lista, är den som YapToText levererar.
- Gör det själv. Klona whisper.cpp, hämta en modell, bygg med CMake och kör whisper-cli på en WAV-fil i 16 bitar.
- Eller hoppa över Terminal. YapToText kör samma fil och skriver i vilken app som helst, gratis.
Välj modell efter din Macs minne, sedan efter din egen röst. Om något här inte stämmer med det du ser, öppna ett issue på GitHub. Alla blir lästa.
Gratis att hämta. Inget konto och inga låsta funktioner, för macOS 14 eller senare på en Mac med Apple-chip. Källkod på GitHub.
Guider
Fler guider, på engelska
Källor
- https://github.com/ggml-org/whisper.cpp (kontrollerad 2026-10-03)
- https://github.com/ggml-org/whisper.cpp/blob/master/models/README.md (kontrollerad 2026-10-03)
- https://github.com/openai/whisper (kontrollerad 2026-10-03)
- https://huggingface.co/ggerganov/whisper.cpp/blob/main/ggml-large-v3-turbo-q5_0.bin (kontrollerad 2026-10-03)
- https://github.com/ryleighnewman/YapToText (kontrollerad 2026-10-03)
- https://apps.apple.com/us/app/yaptotext/id6786382289 (kontrollerad 2026-10-03)
Frågor
Hur kör jag Whisper lokalt på en Mac?
Använd whisper.cpp: klona arkivet, hämta en modell med skriptet download-ggml-model.sh, bygg med CMake och kör whisper-cli på en WAV-fil i 16 bitar. Eller installera en app som har den inbyggd, till exempel YapToText, som kör Whisper Large v3 Turbo utan någon installation.
Hur mycket minne behöver Whisper?
Det beror på modellen. whisper.cpp anger ungefär 273 MB för tiny, 852 MB för small, 2,1 GB för medium och 3,9 GB för large, och säger att kvantiserade modeller behöver mindre. Den ger ingen minnessiffra för turbo.
Vilken är den bästa lokala Whisper-modellen?
Large v3 Turbo är där jag skulle börja, och dess 5-bitarsfil är den som YapToText levererar: 547 MiB i whisper.cpp:s lista. Om minnet är knappt använder small eller base mycket mindre, och OpenAI säger att versionerna bara för engelska tenderar att göra det bättre för engelska vid de minsta storlekarna.
Hur stor är modellen Whisper Large v3 Turbo?
1,5 GiB i whisper.cpp:s modellista, eller 547 MiB som 5-bitarsfilen q5_0, vilket är 574 MB räknat i decimala enheter. OpenAI anger turbo till 809 miljoner parametrar.
Behöver lokal Whisper internet?
Bara för att hämta modellen en gång. Därefter transkriberar whisper.cpp och YapToText utan anslutning, och versionen av YapToText från App Store levereras med modellen inbyggd, så den hoppar över även den hämtningen.
Kan jag använda en modell från whisper.cpp i YapToText?
Ja. Under Your own models på sidan AI Models tar Add Model vilken GGML-.bin-fil för whisper.cpp som helst, och appen ser vad det är utifrån själva filen.