اگر از نگرانی نشت داده‌های صوتی جلسات محرمانه به سرورهای شرکت‌های بزرگ خسته شده‌اید، اکنون راهی برای بازگرداندن کنترل داده‌ها به سخت‌افزار خودتان پیدا کرده‌اید. BetterWispr که در ۱۱ اکتبر ۲۰۲۶ منتشر شد، تجربه‌ای از دیکته محلی را ارائه می‌دهد که تمام داده‌های صوتی را روی دستگاه کاربر نگه می‌دارد.
بسیاری از ابزارهای دیکته برای تبدیل صوت به متن به یک چرخه رفت و برگشت به سرورهای راه دور متکی هستند که باعث ایجاد تأخیر و ریسک‌های امنیتی می‌شود. این ابزار در زمانی عرضه شده که کاربران به‌دنبال «حاکمیت محاسباتی» (Compute Sovereignty) بر داده‌های شخصی خود هستند. برای یک کاربر معمولی مک، این یعنی تفاوت بین اعتماد به یک ابر شرکتی و اعتماد به سخت‌افزار شخصی؛ درست مثل تفاوت بین سپردن اسناد محرمانه به یک بایگانی عمومی و نگه داشتن آن‌ها در گاوصندوق خانه.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، حذف واسطه‌های ابری نخستین گام در جهت امنیت داده است.
معماری مدل‌های محلی
BetterWispr بدون نیاز به حساب کاربری یا کلید API کار می‌کند. طبق مستندات این پروژه، کاربران می‌توانند از میان ۹ مدل داخلی، گزینه‌هایی از Apple speech، Parakeet و Whisper را انتخاب کنند.
- Parakeet: پشتیبانی از انگلیسی، ژاپنی و ۲۵ زبان اروپایی.
- Whisper: شناسایی گسترده‌تر زبان‌های مختلف و پشتیبانی چندزبانه.
- APIهای سفارشی: کاربران می‌توانند APIهای مورد نظر خود مانند Sarvam AI، Smallest AI یا هر API سازگار با OpenAI را انتخاب کنند.
مدل‌ها یک‌بار دانلود شده و به‌صورت آفلاین کار می‌کنند. هیچ جایگزینی ابری (Cloud Fallback) برای تبدیل متن وجود ندارد تا اطمینان حاصل شود که صوت هرگز از مک خارج نمی‌شود.
گردش کار و یکپارچگی
این ابزار از طریق مکانیزم «نگه داشتن برای صحبت» مستقیماً در هر برنامه‌ای ادغام می‌شود. با نگه داشتن کلید ⌥ Space، کاربر ضبط را شروع می‌کند و پس از رها کردن، متن استنتاج (Inference) — یعنی همان لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه به آشپزی پس از آماده‌سازی مواد — شده و در فیلد متنی فعال قرار می‌گیرد.
کاربران می‌توانند این تعامل را در بخش تنظیمات سفارشی کنند. آن‌ها می‌توانند حالت را به «فشار برای تغییر وضعیت» (Press to Toggle) تغییر دهند یا هر میان‌بر سفارشی را با استفاده از کلیدهای ⌘، ⌥، ⌃ یا کلیدهای F تعریف کنند.
اگر برنامه‌ای مانند فیلدهای امنیتی از چسباندن خودکار متن جلوگیری کند، متن به‌طور خودکار در کلیپ‌بورد کپی می‌شود تا هیچ داده‌ای از دست نرود. لازم به ذکر است که تبدیل صوت به متن پس از توقف ضبط آغاز می‌شود، نه به‌صورت کلمه به کلمه در حین صحبت کردن.
پاک‌سازی هوشمند و استایل‌دهی
این نرم‌افزار تنها تبدیل نمی‌کند، بلکه ویرایش هم می‌کند. برای زبان انگلیسی سه سطح پاک‌سازی ارائه شده است:
- سبک (پیش‌فرض): حذف تکرارها، شروع‌های اشتباه و مکث‌های «اممم» و «اوه» در انگلیسی.
- متوسط: ویرایش برای شفافیت بیشتر با استفاده از مدل‌های یادداشت روی مک از طریق Apple Intelligence یا Ollama.
- بدون تغییر: حفظ دقیق تمام کلمات گفته شده بدون هیچ تغییری.
همچنین کاربران می‌توانند «استایل‌های» خاصی را برای هر برنامه تنظیم کنند تا با بافت ارتباطی آن‌ها مطابقت داشته باشد. این لحن‌ها برای زبان انگلیسی اعمال می‌شوند:
- غیررسمی (Casual): نقطه پایانی جمله را حذف می‌کند.
- بسیار غیررسمی (Very Casual): هم نقاط پایانی و هم حروف بزرگ (Capitalization) را حذف می‌کند.
- رسمی (Formal): کلمات گفته شده را دقیقاً همان‌طور که هستند باقی می‌گذارد.
دستورات صوتی و یادگیری
برای سرعت بخشیدن به فرمت‌بندی، دستورات صوتی انگلیسی پشتیبانی می‌شوند. کاربران می‌توانند برای درج علائم نگارشی، کلماتی مانند "comma" (کاما)، "question mark" (علامت سوال) یا "new paragraph" (پاراگراف جدید) را بگویند. برای حذف آخرین جمله، کاربر کافی است بگوید "scratch that".
به‌گزارش توسعه‌دهندگان، یک سیستم یادگیری واژگان نیز تعبیه شده است. کاربران می‌توانند نام‌ها و اصطلاحات خاص را در بخش Vocabulary به‌عنوان راهنما (Hint) و جایگزین اضافه کنند. اگر کلمه‌ای اشتباه شنیده شود، کاربر می‌تواند آن را در تاریخچه (History log) یا بلافاصله پس از چسباندن متن اصلاح کند و BetterWispr این اصلاح را برای دفعات بعد یاد می‌گیرد. این قابلیت یادگیری را می‌توان در تنظیمات خاموش کرد.
یادداشت‌های جلسه و تحلیل‌ها
قابلیت "Notetaker" صدای میکروفون کاربر را به‌عنوان «من» (Me) و در نسخه‌های macOS 14.2 به بعد، صدای برنامه‌های دیگر را به‌عنوان «آن‌ها» (Them) ضبط می‌کند. این متون را می‌توان در ترکیب با یادداشت‌های دستی، با استفاده از Ollama یا Apple Intelligence (در مک‌های پشتیبانی شده با macOS 26) به‌صورت محلی به تصمیمات و اقدامات اجرایی خلاصه کرد. همچنین می‌توان از نقاط انتهایی (Endpoints) اختیاری مانند Claude Code، Codex یا OpenAI استفاده کرد، هرچند این کار باعث ارسال داده‌ها به ارائه‌دهنده می‌شود.
داشبورد Insights نیز امکان ردیابی بهره‌وری را فراهم می‌کند. این بخش داده‌ها را از تاریخچه محلی استخراج کرده تا موارد زیر را نشان دهد:
- تعداد کل کلمات گفته شده و سرعت صحبت کردن.
- تعداد کلماتی که توسط ابزار پاک‌سازی حذف شده‌اند.
- برنامه‌هایی که بیشترین استفاده برای دیکته شده‌اند.
- رکورد روزانه (Streak) دیکته کاربر.
الزامات فنی و اعتماد
بر اساس مستندات betterwispr.com، این برنامه به macOS 14 یا بالاتر نیاز دارد. اگرچه روی پردازنده‌های Intel اجرا می‌شود، اما برای استنتاج محلی مدل‌ها، تراشه‌های Apple Silicon به‌شدت توصیه می‌شوند. در دسترس بودن مدل‌ها و عملکرد آن‌ها به سخت‌افزار خاص و دارایی‌های زبانی نصب شده بستگی دارد.
مدیریت مجوزها به‌صورت شفاف انجام می‌شود: مجوز میکروفون برای ضبط، مجوز Accessibility برای درج متن در برنامه‌های دیگر و مجوز Speech Recognition برای استفاده از Apple speech مورد نیاز است.
امنیت از طریق GitHub Releases و Sparkle مدیریت می‌شود تا به‌روزرسانی‌ها تنها در صورت تطابق امضای EdDSA نصب شوند. پروژه تحت لایسنس Apache 2.0 است و کل کد آن برای بازرسی در گیت‌هاب در دسترس است. کاربران می‌توانند هر خط کد را بخوانند، مشکلات را گزارش کنند یا با دستور make dev برنامه را خودشان بسازند.
این چرخش به سمت ابزارهای محلی یعنی «مالیات هوش مصنوعی» — همان اشتراک‌های ماهانه برای بهره‌وری پایه — در حال تبدیل شدن به یک گزینه اختیاری است. با بهره‌گیری از NPU (واحد پردازش عصبی) در تراشه‌های اپل، مک به یک مرکز تبدیل صوت به متن خصوصی تبدیل می‌شود.
برای یک متخصص، این موضوع اضطراب نشت داده‌های حساس جلسات به ارائه‌دهندگان شخص ثالث را از بین می‌برد و دیکته را از یک سرویس ابری به یک ابزار سیستمی محلی تبدیل می‌کند.
کاربران باید پیش از نصب، نسخه macOS و فضای دیسک موجود برای فایل‌های مدل را بررسی کنند. گام بعدی برای علاقه‌مندان به هوش مصنوعی محلی، بررسی این است که چگونه سایر ابزارهای سیستمی می‌توانند برای اتوماسیون کامل آفلاین با Ollama ادغام شوند.
گام بعدی شما
- بررسی نسخه macOS و فضای دیسک برای دانلود مدل‌های Whisper.
- تست ادغام Ollama برای خلاصه‌سازی آفلاین متون ضبط شده.
- بررسی کد منبع در گیت‌هاب برای اطمینان از عدم ارسال داده به سرور.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو