用 Whisper 的 AI 模型搞了个本机语音转文本及视频对话转录文本(字幕)的 app

[Marksdo]

应用商店搜索 Whisper Mate 下载试试

以后看没字幕的片子也可以自己本机翻译来看了😅

具体支持以下功能

• 转录音频或视频文件
• 使用 deepl 免费 api 翻译字幕
• 嵌入字幕编辑器，以修正转录错误
• 导出为 SRT 、VTT 、CSV 、JSON 、SEGMENT 格式
• 支持为每个字幕设置发言人
• 大多数操作支持批量选择，例如批量运行任务、批量翻译行或批量设置发言人
• 支持拖放文件开始转录
• 支持在搜索转录时键入文本
• 编辑器可预览音频或视频文件，并与播放范围同步
• 支持多语言转换

https://apps.apple.com/us/app/id6450404233

不会直接贴软件截图，只能发地址了 https://i.imgur.com/pZlbn2G.png https://i.imgur.com/Q4fIDRp.png https://i.imgur.com/H3Y2uRG.png

国区下载或已购更新不了的可以用这个
https://marksdo.gumroad.com/l/whispermate

国区已遵循 ZC 下架了

[Socrazy]

支持日语吗

[zhufeilong]

不买 Lifetime Plans 有什么限制吗？

[Upperak1]

看了下，不付费只能用简单模型

[Marksdo]

@Socrazy 多语言的模型支持日语，不要选中 English 的模型，并在多语言模型选定自动或者指定日语

[Marksdo]

@zhufeilong Free 的限止了不能使用大模型，大模型会比较准确，特别是英语 Only 的对英语是很准确的，只需矫正极少部分.如果是 M1 及 M2 的机器，使用 CoreML 的模块能极大的提升转录的速度

[Marksdo]

@Upperak1 如果日常用的上，可以帮助提升效率的话，帮忙回下血...😂

[zhufeilong]

@Marksdo #5 感谢

[Marksdo]

另外介绍下翻译那块，因为苹果商店不能明细写使用了破解的 Deepl 来实现免费翻译，其实可以 github 上找 deeplx 项目或者 zu1k/deepl 这两个项目，在 Whisper Mate 那里配制 local 类型的 deepl ，指向那两个逆向工程的 deeplx 项目，然后用但线程，间隔时间搞个 1-2 秒的，基本就免费随便翻译转录出来的文本了

[gpt5]

如果未来支持实时 speech to text 了，请艾特我一下。

[ql562482472]

有 windows 版本嘛？然后有日语就更好了

[Chandleric]

导出的 SRT 字幕文件好像格式不对？时间轴和文本的位置颠倒了，导致播放软件都无法识别。另外在哪里可以导出双语字幕呢？我好像没有找到这个功能。如果能能解决的话以后看剧就不用等字幕组了，感谢作者！

[Marksdo]

@gpt5 这个可以说下具体场景吗？我看下具体怎么来弄实现

[Marksdo]

@Chandleric 😅..我修复下

[Marksdo]

@ql562482472 window 版本不会弄，都是弄 mac 上的 app ，还有其它几个小 App 有用的可以玩下哈

[gpt5]

@Marksdo 比如在线会议，如果对方安全设置比较严格，zoom/teams 都无法打开软件自带的字幕功能（对我个人来说，我需要实时字幕，不需要翻译）。bemyears （作者也在 v 站）有实时字幕功能，但感觉准确度不是很高。

[LAMBO]

CoreML 模块开启后，字幕是简体和繁体混排的，请问是正常的吗

[LAMBO]

测试了一下，并不是 CoreML 导致的。但很奇怪，我在抖音上下载了一个短视频，转换出来，字幕始终都是简繁字体混排的，但测试 YouTube 上的长视频就正常，字幕文字一直是简体。

[Marksdo]

@gpt5 这个有计划做的，也是针对这种场景，但必须上 macOS13+,估计要一周

[Marksdo]

@LAMBO 正常，开发时也遇到这个问题，应该上 whisper 模型本身问题，看后面如果模型有更新，跟随看下，如果只是 coreml 开启后才出问题的可能上转 coreml 模型时裁枝了，fp32->fp16 了

[LAMBO]

@Marksdo 感谢，反复测试了下，应该和 coreml 无关。可能就是 whisper 模型本身问题导致的。

[Catch6]

这玩意我记得有协议限制，不能商用，你可小心点吧

[awfe]

第一次下载模型到 66%的时候停住不动了，点击停止后再重新下载出现这个错误。切换到东京和新加坡的服务器也是一样。重新打开也是一样。

[saberw]

@gpt5 Win11 有实时字幕，甚至能识别抽象的日式英语发音

[zhufeilong]

@Catch6 开源模型吧，而且国外已经非常多的竞品了，像 MacWhisper 、WhisperScript 用高级模型也都是要收费🤡

[Marksdo]

@awfe 这个服务器在国外，如果不稳定行要 FQ 来下载.

[Marksdo]

把国区价格改为了$4.99 ，谢谢大家的建议!

[gpt5]

@saberw 但是 win11 自带那个只有英语。。比如整理会议记录时，还需要中文。

[xswer001]

在预览字幕的时候，视频稍微长一点，会特别卡。上面也有人说过的，srt 导出格式是错误的，没法正常导入视频观看。

[saberw]

@gpt5 开发版可以选择语言，中英日都有，我都用半年了

[gpt5]

@saberw 卧槽，试了一下，精度和速度都还不错。

[minamike]

发现了一个骚操作
先下载一个最小的模型和 CoreML 模型
然后用网上下载的编译好的 large 模型和 CoreML 模型替换掉就好了🐶

[zhangwb2008]

推荐个免费的竞品 Windows/Mac 通用 https://mxmefbp9p0g.feishu.cn/docx/ZI3ldweTXorTvMxYLbucT00Un5n

[Marksdo]

@minamike 😅,被你发现你

[Marksdo]

@z1249502889 SRT 格式错误的新版本已经修复,可以更新试试,字幕多卡的问题,已记录下,会修复的!感谢提供 BUG

[minamike]

@Marksdo #33 主要是不知道为啥购买界面一片空白，难道是我的系统是 14.0 测试版的原因

[Marksdo]

@minamike 还没在 14.0 上测试过,开发机只有一台也不敢贸然升级上去

[Marksdo]

@minamike 还没在 14.0 上测试过,开发机只有一台也不敢贸然升级上去
@z1249502889 我测试了一部 2 个多小时的影片没感觉到卡(转换后),如果在转换中去看是会卡的,whisper 默认是只保留 2 个核心给用户其它地方使用,其它都用来做计算了

[xswer001]

@Marksdo #37 具体表现是，随便拉翻译后的字幕，字幕的顺序会错乱，对应不到播放条上。如果音频时间比较长，字幕拉到一半，然后再拉到最开始的地方，会发现字幕不能回到最开始的时间点。

[zhufeilong]

@z1249502889 #38 我也遇到了这个问题 @Marksdo 希望有空能修复字幕顺序错乱的问题

[azurerayus]

作者，经过使用发现了一点问题还有需要几个功能改进
已知问题：
1 、在原始字幕进行翻译后，发现错误进行修改原始字幕。再进行单行翻译，在左侧列表下依旧显示过往的错误翻译。没有进行翻译更新，但是在右侧的字幕预览中倒是没有问题。
2 、更改字幕效果中的透明度无效，一旦尝试更改就始终维持在 100%不透明状态。

功能需求：
1 、增加对于 whisper api 的支持，可以放在付费项。这个对于低配机来说的确重要。就是一个分离音轨提交 api 就行。
2 、增加对于 chatgpt 翻译支持，这个有很多成熟案例。AI 翻译还是要效果好一些，如果支持自定义 prompt ，那么对于一些视频先大致指定内容和翻译角色，应该效果会好很多。

这个软件的功能其实我自己也尝试做过，这是个普遍的需求大家都有。一般再集成一个 youtube 下载器，支持部分网址的直接解析下载。本地识别或者 api 识别再翻译就是很流畅的流程了。

价格方面本来看到有 5 刀，结果到昨天晚上就是 20 刀了。这个常态化价格我觉得还是在 10 刀以下更吸引人购入。

[azurerayus]

对了，hugging face 上已经有了 whisper.cpp 再进行 coreml 转换的模型了，各个规模都有，增加下载链接就可以了，没必要还本地再转换。

[Marksdo]

@z1249502889 试试最新的 3.5 版本是否还有这个问题?
@zhufeilong 试试最新的 3.5 版本是否还有这个问题?

[Marksdo]

@azurerayus 1 、在原始字幕进行翻译后，发现错误进行修改原始字幕。再进行单行翻译，在左侧列表下依旧显示过往的错误翻译。没有进行翻译更新，但是在右侧的字幕预览中倒是没有问题。
回复:这个问题试试修改完后按 command+e 切换回非编辑状态,发现编辑的 TextFields 就是有这个问题,暂时没找到比较好的解决,我再找下

2.更改字幕效果中的透明度无效，一旦尝试更改就始终维持在 100%不透明状态。
回复:记录下了,应该是 bug,在下个版本 V3.5.1 修改


功能需求：
1 、增加对于 whisper api 的支持，可以放在付费项。这个对于低配机来说的确重要。就是一个分离音轨提交 api 就行。
回复: 其实现在音轨已经是分离的,低配机好像也没场景用这个啊?不过用 whisper api 来翻译估计能再准确不少,我看下后面怎么整合进来,顺便介绍下新的 V3.5 已经可以对任何一条文案下载其音轨,并且选择多个字幕下载会自动合并为一条音轨

2 、增加对于 chatgpt 翻译支持，这个有很多成熟案例。AI 翻译还是要效果好一些，如果支持自定义 prompt ，那么对于一些视频先大致指定内容和翻译角色，应该效果会好很多。
回复:套 chatGPT 的不好弄,起码国内用不了,苹果发了邮件说我类似 GPT 的在国内已经下架....Motrix App 直接白搞

一般再集成一个 youtube 下载器，支持部分网址的直接解析下载。本地识别或者 api 识别再翻译就是很流畅的流程了。
回复:下载 Youtube 的不知道能不能上架苹果商店,套到不难,下个版本试试


价格问题是这样上次苹果发邮件给我说国内有 ZC 不能上带 GPT 的上架,想着不对国内了就加价割老外了...,不急的老爹等后面打个非苹果商店版本出来,走其它途径便宜出

[Marksdo]

@awfe 最新 V3.5 版本下载这块重写了支持了断点续传,帮忙再试试.

[Marksdo]

@azurerayus coreml 模型首次都是要花本地再编译,hf 上的只是一个 coreml 格式文件,本地跑 Whipser 感觉起码 M1 Pro 起步, 我用 M1 跑 Medium 的模型都感觉慢的不可接受.实时识别只有 base 下可以接受响应速度

[Marksdo]

@azurerayus 这个常态化价格我觉得还是在 10 刀以下更吸引人购入。
好,我接受你的建议了,已改为$9.99 了

[zhufeilong]

@Marksdo 另外国区是下架了是吗，在已购已经下载不回来了

[Marksdo]

国区不允许带 AI 的上架...需要等下,在看怎么打独立在商店外的版本,到时已购买的信息是可以复用的

查了下带下载 youtube 视频的也是上架不了商店的,也需要将这个功能做在商店外的版本

[Marksdo]

因为邮件里还有苹果写到不少如 ZC,ZF 这些相关的关键字,就不贴出来了,反正国区 AI 相关的估计都挂了

[azurerayus]

现在的限制都是越来越多，这个东西呢我也想了一下有一些的套路。
例如常见的内购绑定邮箱，然后 app store 以外的版本利用邮箱激活订阅。

ai 翻译以及多网站下载还是很重要并且很好用的，这些都有开源实现，加进去很容易。一般软件加一个沟通群链接，带上些 wiki ，墙内墙外自己去找就差不多了。

[Marksdo]

国区下载或更新不了的可以用这个
https://marksdo.gumroad.com/l/whispermate
支持 Youtube 的视频下载了

用 V2EX-USERS 这个 Coupon 可以返回跟苹果商店一样的价格了.
另外看了 Gumroad 的文档是支持 Affiliates, 有兴趣分成的或知道怎么玩的一起赚$啊

[Marksdo]

貌似是注册好 GumRoad 的帐号,然后加入 Whisper Mate 的 Affiliates,这边生成你独有的链接,然后从链接进来 30 天内有销售就有提成

[azurerayus]

一个是不同渠道销售的按照邮箱绑定激活，否则会有换机授权的问题。
第二个是针对国内对于 AI 的限制，还可以采用插件的方式放在网上来下载。

刚才在编辑字幕的时候遇到问题，有时语音识别一个接近的读音都会识别错，所以按照错误的结果来筛选。但是一旦对字幕进行任何一点修改，那么这一行也就不在筛选之列，瞬间消失了。
应当在筛选后就不动态筛选，而是手动点击后再筛选。方便修改错误结果。

一般做这个产品，至少给个个人站，和一点点 wiki 。

[zhufeilong]

@Marksdo 感谢开发商店外的版本

[Marksdo]

@azurerayus 应当在筛选后就不动态筛选，而是手动点击后再筛选。方便修改错误结果。
这个这周的 V4.0.1 加上,我自己也遇到过这个问题,要想下怎么解决
@zhufeilong 之前的商店外版本有大 BUG...套 python 来下载 YT 视频失败...换了解决方案,现在应该比较完美了

[Marksdo]

顺便调查下,大家觉得这个搞 iPad 版本有没有前景,有需求吗?个人感觉有,又貌似没,怕白搞

[azurerayus]

@Marksdo 我估计难，主要是性能限制、用户喜好和版权限制。
要搞 ipad 版，那估计就得上 whisper api 了，不比 mac ，用 ipad 的没几个愿意等转码时间。
但是你这个没办法搞视频下载，然后实时识别需要的性能估计不够。m1 都难
哪个用 ipad 的会去搞这个，受众太小，还不如期待他们用 mac 然后共享给 ipad

[Marksdo]

可能 iPad 有一种使用场景,比如老外教授之类的课程时,如果外语不太好,可以拿着 iPad 来用 whisper Mate 进行大概的实时转录并且将课程语音录下来.找下苹果有没有方便的方式直接转 macOS 到 iPad , Mac Catalyst 貌似只能将 iPad 的转 mac,没有反过来的..q-_-p

[ttgo]

商店版与你网站上的版本有区别么？

[ttgo]

我想实时转录，试了一段新闻，我感觉"简化模型"是“可用”的下限了，
然而"简化模型"做不到实时，我是 m1 pro 。

[azurerayus]

你这个新版的怎么连带翻译导出字幕都不行了

[barryzhai]

@Marksdo 您好，最新版本的 deepl 翻译出现错误，申请 deepl api 后填入出现：未能读取数据，因为他的格式不正确

[vegetablebird]

可以实时转录在线会议别人的发言吗？

[380cc]

@Marksdo 好贵啊，30 美金呢，而且专业版不能试用，其实想试用一下。免费版只有 base 模型，测试没意义。

[junelee220]

这个还能用吗？