Transkrypcja nagrań po polsku jest dziś możliwa za darmo na własnym komputerze: w naszym teście model Whisper large-v3-turbo zapisał 75-sekundową rozmowę dwóch osób z 5% błędnych słów, bez karty graficznej i bez wysyłania pliku do żadnej firmy. Ten sam test pokazał, gdzie trzeba uważać. Mniejszy model pominął całe zdanie z adresem, a średni pomylił rok w dacie umowy. Usługi online robią to wygodniej, ale ich darmowe plany są ciasne: TurboScribe przyjmuje 3 pliki dziennie do 30 minut, Notta tnie rozmowę po 3 minutach, a ElevenLabs daje 12 minut miesięcznie. Limity pochodzą z cenników producentów z 5 października 2026 roku.
Transkrypcja audio na tekst: czym jest i co zmieniła AI
Transkrypcja audio na tekst to zamiana nagranej mowy na zapis, który da się przeszukać, poprawić i wkleić do dokumentu. Kiedyś robił ją człowiek ze słuchawkami, dziś pierwszą wersję pisze model rozpoznawania mowy, a człowiek ją poprawia.
Najczęściej spotkasz model Whisper od OpenAI. Jego kod i modele są dostępne na GitHubie na licencji MIT, więc każdy może je pobrać i uruchomić u siebie. Część usług online ma własne modele, na przykład Scribe od ElevenLabs.
Przy wyborze narzędzia liczą się trzy pytania:
- ile minut dostajesz za darmo i jak długi może być jeden plik,
- jak model radzi sobie z polskimi nazwiskami, nazwami miejscowości i liczbami,
- na czyim serwerze ląduje nagranie i kto jeszcze może je odsłuchać.
Drugie pytanie sprawdziliśmy sami, na polskim nagraniu z nazwiskami i liczbami.
Test: polska rozmowa przez pięć modeli Whisper
Jak zrobiliśmy test
Nagranie przygotowaliśmy syntezą mowy, żeby znać każde wypowiedziane słowo. Dwa polskie głosy neuronowe Microsoftu, Zofia i Marek, odegrały 75-sekundową rozmowę o zmianie zamówienia. Pod spód dograliśmy jednostajny szum tła. Tekst ma 120 słów i 15 miejsc, w których transkrypcja najczęściej się myli. Są wśród nich dwa nazwiska, nazwa firmy, Bydgoszcz, Toruń i Szczebrzeszyn, adres, numer zamówienia, liczba rolek papieru, kwota, rabat, skrót KSeF, data, numer telefonu i login.
Syntetyczny głos mówi wyraźnie i nikt nikomu nie wchodzi w słowo. Nagranie z prawdziwego spotkania może wypaść gorzej, zwłaszcza gdy rozmówcy mówią naraz albo siedzą daleko od mikrofonu. Wyniki pokazują więc pomiar na uproszczonej próbce.
Transkrypcję zrobiliśmy biblioteką faster-whisper, czyli przyspieszoną wersją Whispera. Według autorów jest do czterech razy szybsza od oryginału przy tej samej dokładności. Wszystko liczył sam procesor Intel Core i7-14700F, bez karty graficznej, z językiem ustawionym ręcznie na polski.
Wyniki: błędy w słowach, nazwach i liczbach
| Model Whisper | Czas dla 75 s nagrania | Błędne słowa (WER) | Nazwy i liczby bez błędu | Najpoważniejszy błąd |
|---|---|---|---|---|
| base | 6 s | 21,7% | 8 z 15 | “Jędrzek Owalczyk”, rok 1226, telefon bez jednej cyfry |
| small | 27 s | 19,2% | 9 z 15 | pominięte całe zdanie z adresem dostawy |
| medium | 38 s | 10,8% | 13 z 15 | rok zapisany jako “2, 1026” |
| large-v3-turbo | 40 s | 5,0% | 13 z 15 | login zapisany jako “Gosia Kropka Szczepańska” |
| large-v3 | 65 s | 7,5% | 14 z 15 | kilka słów sklejonych w jedno |
WER to odsetek słów, które trzeba poprawić, dopisać albo usunąć, żeby zapis zgadzał się z oryginałem. Przy 5% poprawiasz mniej więcej jedno słowo na dwadzieścia.
Najgroźniejszy okazał się błąd modelu small. Zdanie “ulica Gdańska 147, a nie na biuro w Toruniu” po prostu zniknęło, a reszta zapisu wyglądała poprawnie. Literówkę widać od razu, brakującego zdania nie widać wcale. Dlatego przy umowach, zamówieniach i wywiadach porównuj zapis z nagraniem przynajmniej we fragmentach z liczbami.
Wszystkie modele potknęły się na wyrażeniu “czterysta rolek”, które zamieniły w zlepek liter. Możliwe, że winna jest wymowa syntezatora, więc tego błędu nie przypisujemy samemu Whisperowi. Żaden wynik nie rozdzielił też rozmówców. Whisper zwraca jeden ciągły tekst, a podział na osoby trzeba zrobić samemu albo w narzędziu, które to potrafi.
Najlepszy stosunek jakości do czasu dał large-v3-turbo. Na naszym desktopowym procesorze godzina nagrania zajęłaby mu około 32 minut, a na słabszym laptopie potrwa to dłużej. To szacunek z 75-sekundowego pliku.
Pierwsza Misja AI · Kodożercy
Zagrożenia AI rozumie ten, kto wie, jak ona działa
Kurs Pierwsza Misja AI ma osobną lekcję o ciemnej stronie AI: halucynacje, deepfakes, manipulacja. Zanim zaczniesz się bać, zacznij rozumieć.
Poznaj pełny program →
Darmowe programy do transkrypcji nagrań: limity i ceny
Spośród opisanych tu narzędzi tylko Whisper uruchomiony na własnym komputerze nie ma limitu minut i nie wysyła nagrania na serwer firmy. Usługi online mają bardzo różne darmowe limity: część wystarcza tylko na próbę, a TurboScribe pozwala przepisać do trzech 30-minutowych plików dziennie.
| Narzędzie | Darmowy limit | Język polski | Podział na rozmówców | Gdzie trafia plik | Nasz test |
|---|---|---|---|---|---|
| Whisper lokalnie (faster-whisper) | bez limitu, liczy twój procesor | tak, wyniki wyżej | nie | zostaje na twoim komputerze | tak |
| ElevenLabs Scribe v2 | 12 minut miesięcznie | tak, producent podaje błąd do 5% słów | do 32 osób | serwery ElevenLabs | nie |
| TurboScribe | 3 pliki dziennie, każdy do 30 minut | listy języków nie sprawdzaliśmy | tego nie sprawdzaliśmy | serwery TurboScribe | nie |
| Notta | 120 minut miesięcznie, do 3 minut na jedną rozmowę | listy języków nie sprawdzaliśmy | tak | serwery Notty | nie |
| Word, Transkrypcja | 300 minut miesięcznie w ramach Microsoft 365 | tak | tak, “Speaker 1”, “Speaker 2” | OneDrive, folder Transcribed Files | nie |
| Dokumenty Google, Pisanie głosowe | bez opłat, tylko dyktowanie na żywo | tak | nie dotyczy | nie wysyłasz pliku; usługą zamiany mowy steruje przeglądarka | nie |
Narzędzi online nie testowaliśmy, bo wymagają konta. Ich limity pochodzą wyłącznie z cenników i stron pomocy producentów.
ElevenLabs Scribe
ElevenLabs zalicza polski do grupy języków, w których Scribe v2 myli się w nie więcej niż 5% słów. Tę liczbę podaje dokumentacja producenta, Scribe nie był w naszym teście. Model rozróżnia do 32 mówców i przyjmuje listę do 1000 słów kluczowych, na przykład nazwisk i nazw produktów, które ma rozpoznać poprawnie.
Darmowy plan daje 12 minut transkrypcji miesięcznie. Plan Starter za 6 dolarów miesięcznie podnosi limit do 1 godziny i 31 minut, a Creator za 22 dolary do ponad 6 godzin. Kredyty są wspólne z syntezą mowy, więc kto używa ElevenLabs także do lektora, wyczerpie je szybciej. Jak działa lektor po polsku, opisaliśmy w poradniku o ElevenLabs v4.
TurboScribe
Spośród porównanych tu usług online TurboScribe ma najhojniejszy darmowy plan: 3 transkrypcje dziennie, każdy plik do 30 minut, ale w kolejce z niższym priorytetem. Plan Nielimitowany kosztuje 10 dolarów miesięcznie przy płatności rocznej i przyjmuje pliki do 10 godzin. Przy jednym nagraniu dziennie, na przykład wykładzie albo podcaście, darmowa wersja zwykle wystarczy.
Notta
Notta daje 120 minut miesięcznie, ale jedna rozmowa w darmowym planie może trwać najwyżej 3 minuty. Wystarczy to do sprawdzenia jakości, ale zapis spotkania urwie się po 3 minutach. Plan Pro kosztuje 8,17 dolara miesięcznie przy płatności rocznej i daje 1800 minut.
Transkrypcja w Wordzie i pisanie głosowe w Dokumentach Google
Word zamienia na tekst gotowe nagranie, a Dokumenty Google tylko to, co mówisz do mikrofonu na bieżąco.
Transkrypcja nagrania w Wordzie
Według strony pomocy Microsoftu transkrypcja wymaga subskrypcji Microsoft 365. Limit wynosi 300 minut przesłanego nagrania miesięcznie. W Wordzie w przeglądarce działa tylko w nowym Edge i w Chrome, a polski jest na liście obsługiwanych języków.
- Otwórz dokument w Wordzie.
- Na karcie Narzędzia główne rozwiń listę przy przycisku Dyktowanie i wybierz transkrypcję. W angielskiej wersji pomocy ścieżka brzmi Home > Dictate > Transcribe.
- Wybierz przesłanie pliku audio (Upload audio) i wskaż nagranie w formacie .wav, .mp4, .m4a albo .mp3.
- Zostaw panel transkrypcji otwarty, aż zapis się skończy. Według Microsoftu może to potrwać nawet tyle, ile trwa samo nagranie.
Gotowy zapis ma rozmówców oznaczonych jako “Speaker 1”, “Speaker 2” i tak dalej, a ich nazwy zmienisz ręcznie. Nagranie zostaje w OneDrive, w folderze Transcribed Files, i stamtąd możesz je usunąć.
Pisanie głosowe w Dokumentach Google
Pisanie głosowe jest darmowe i działa w Chrome, Edge i Safari. Polski jest na liście języków. Uruchomisz je w menu Narzędzia > Pisanie głosowe, a potem klikniesz ikonę mikrofonu i zaczniesz mówić. Pomoc Google opisuje wyłącznie dyktowanie do mikrofonu. Według tej strony usługą zamiany mowy na tekst steruje przeglądarka, która wysyła gotowy tekst do Dokumentów. Do zapisu gotowego pliku z rozmową to narzędzie się nie nadaje. Sprawdza się przy dyktowaniu własnych notatek.
Whisper lokalnie: transkrypcja nagrań bez wysyłania pliku
Whisper na własnym komputerze to darmowa transkrypcja bez limitu minut, w której nagranie nie opuszcza dysku. Ceną jest instalacja z wiersza poleceń i czas procesora.
Instalacja krok po kroku
- Zainstaluj Pythona i program ffmpeg. Whisper potrzebuje go do odczytu plików audio. Na Windowsie README projektu podaje instalację przez Chocolatey (
choco install ffmpeg) albo Scoop (scoop install ffmpeg). - W terminalu wpisz
pip install -U openai-whisper. - Uruchom transkrypcję:
whisper rozmowa.mp3 --model turbo --language Polish. - Przy pierwszym uruchomieniu program pobierze wybrany model z internetu. Gotowy zapis znajdziesz w folderze, z którego uruchomiono polecenie.
Model turbo to szybsza wersja large-v3 z niewielkim spadkiem dokładności. W bibliotece faster-whisper, której użyliśmy w teście, nazywa się large-v3-turbo. Kto woli Pythona niż wiersz poleceń, zainstaluje ją przez pip install faster-whisper i uruchomi kilkoma linijkami kodu z jej README.
Jaki komputer wystarczy
Tabela w repozytorium Whispera podaje pamięć karty graficznej potrzebną do każdego modelu: około 2 GB dla small, 5 GB dla medium, 6 GB dla turbo i 10 GB dla large. Bez karty graficznej modele też działają, tylko wolniej. W naszym teście turbo na samym procesorze potrzebował 40 sekund na 75 sekund nagrania, czyli liczył szybciej, niż trwa rozmowa.
Gotowy zapis możesz streścić lokalnym modelem językowym, na przykład przez Ollamę. Wtedy cały proces, od nagrania do notatki, zostaje na twoim komputerze.
Prywatność i zgoda rozmówców na nagrywanie
Wysyłając nagranie do usługi online, przekazujesz firmie głosy wszystkich osób z rozmowy i wszystko, co padło przy stole. Przy rozmowie z lekarzem, klientem kancelarii albo kandydatem do pracy to zbyt dużo, żeby oddawać to bez zastanowienia. Wtedy lepszy jest Whisper lokalnie.
Nagranie głosu to także materiał, z którego da się zrobić jego kopię. Jak działa klonowanie głosu przez AI i jak chronić się przed oszustwami, opisaliśmy osobno.
Druga sprawa to zgoda rozmówców. Producent notatnika AI Granola pisze w dokumentacji wprost, że za uzyskanie zgody uczestników odpowiada osoba, która uruchamia narzędzie. Opisaliśmy to przy pozwie przeciw Granoli. Najprostsza praktyka to powiedzieć wszystkim na początku rozmowy, że jest nagrywana i po co. Ocenę, co wynika z polskich przepisów w konkretnej sytuacji, zostaw prawnikowi.
Jak poprawić transkrypcję po polsku
Najwięcej daje większy model i ręczne ustawienie języka na polski. Potem pomagają trzy rzeczy, które sprawdziliśmy albo znaleźliśmy w dokumentacji.
Podaj nazwy przed transkrypcją. Whisper przyjmuje parametr initial_prompt z tekstem, który model bierze pod uwagę. Podaliśmy w nim nazwiska, nazwę firmy i Szczebrzeszyn. Model small zszedł wtedy z 19,2% do 10,8% błędnych słów i przestał gubić zdanie z adresem. Model medium wypadł z podpowiedzią nieco gorzej (11,7% zamiast 10,8%) i przekręcił Szczebrzeszyn, który bez niej zapisał poprawnie. Podpowiedź warto więc dodać, ale nie traktuj jej jak gwarancji. W ElevenLabs ten sam cel ma lista słów kluczowych.
Sprawdzaj liczby i daty w nagraniu. W naszym teście trzy z pięciu modeli źle zapisały rok w dacie umowy. Kwoty, numery telefonów i daty odsłuchaj i porównaj zawsze, nawet przy najlepszym modelu.
Nagrywaj blisko mówiącego. Każdy szum i każda rozmowa naraz odbierają modelowi słowa. Telefon położony na środku stołu da słabszy zapis niż mikrofon przy osobie, która mówi.
Gotową transkrypcję można przerobić na notatkę albo listę zadań. Nagranie do 200 MB przyjmie też bezpośrednio NotebookLM, ale wtedy plik trafia do Google.
Najczęstsze pytania
Czy jest darmowy program do transkrypcji nagrań bez limitu?
Tak. Jedną z takich opcji jest Whisper uruchomiony na własnym komputerze. Jest dostępny na licencji MIT, nie ma limitu minut ani długości pliku, a nagranie nie wychodzi z dysku. Wymaga instalacji Pythona i programu ffmpeg. Usługi online, takie jak TurboScribe, Notta i ElevenLabs, mają w darmowych planach limity dzienne albo miesięczne.
Czy transkrypcja w Wordzie jest za darmo?
Nie. Według Microsoftu transkrypcja nagrań w Wordzie wymaga subskrypcji Microsoft 365 i obejmuje do 300 minut przesłanego nagrania miesięcznie. Za darmo możesz dyktować tekst w Dokumentach Google, ale tylko na żywo do mikrofonu.
Ile trwa transkrypcja godzinnego nagrania na zwykłym komputerze?
To zależy od modelu i sprzętu. W naszym teście Whisper large-v3-turbo na desktopowym procesorze Intel Core i7-14700F, bez karty graficznej, przepisał 75 sekund rozmowy w 40 sekund. Na tym procesorze godzina nagrania zajęłaby około 32 minut. To szacunek z krótkiego pliku. Na słabszym laptopie potrwa to dłużej, a z kartą graficzną krócej.
Czy Whisper rozpoznaje, kto mówi?
Nie. W naszym teście każdy model zwrócił jeden ciągły tekst bez podziału na osoby. Rozmówców oznacza transkrypcja w Wordzie (“Speaker 1”, “Speaker 2”), a ElevenLabs Scribe v2 według producenta rozróżnia do 32 mówców.
Podsumowanie
Darmowa transkrypcja nagrań po polsku działa dziś dobrze, ale nie bezbłędnie. W naszym teście najlepszy kompromis między szybkością a jakością dał Whisper large-v3-turbo uruchomiony na własnym komputerze. Nawet on nie zapisał wszystkiego poprawnie, a słabsze modele myliły daty i potrafiły po cichu pominąć całe zdanie. Usługi online są wygodniejsze, ale ich darmowe limity bardzo się różnią, więc przed wyborem porównaj je w tabeli. Poufne rozmowy przepisuj lokalnie, bo wtedy nagranie nie trafia na cudzy serwer. Niezależnie od narzędzia uprzedź rozmówców, że rozmowa jest nagrywana. Po transkrypcji odsłuchaj fragmenty z datami, kwotami i nazwiskami, bo właśnie tam modele mylą się najczęściej.
Newsletter · DevstockAcademy & Kodożercy
Bądź na bieżąco ze światem IT, AI i automatyzacji
Co wtorek: newsy z branży, praktyczne tipy i narzędzia które warto znać. Zero spamu.
