先回答「好用嗎」：Whisper 的辨識能力很強，但單獨拿來做中文逐字稿，最先撞到的不是安裝，而是品質——OpenAI 官方文件承認它會「幻覺」（把沒說過的字寫進稿）、會跳針重複，而且出錯時不會給你任何提示，整份稿要不要得，全靠你人手對照原音。 免費與私密是它的真實優點，這就是代價。
接受這個代價的話，路線有三條：不怕架環境、要完全離線 → 本地 Whisper；用 Mac、想要圖形介面 → MacWhisper（免費版可轉錄，€64 一次買斷解鎖進階功能）；想要系統自動抓錯、換引擎重轉、線上校對 → 雲端 AI 工具（例如 Subanana）。下面把三條路的差異講清楚。
先講利益揭露：我經營 Subanana，下面會拿它做對照。但我會把 Whisper 與 MacWhisper 真正的強項講清楚——在某些情境下，自架 Whisper 確實是更好的選擇。
單獨用 Whisper 的六個實際問題
每一個都有 OpenAI 官方文件可查，不是網友印象分。
一、幻覺：沒說過的話，可能被寫進逐字稿。 這不是網友抱怨，是 OpenAI 自己的模型說明書白紙黑字承認的：模型輸出「可能包含音訊中實際沒有說過的文字（即幻覺）」。原因是模型一邊在「聽」、一邊在「按語言習慣猜下一個字」，靜音與音樂段落最容易中招。2024 年康乃爾團隊的研究《Careless Whisper》專門記錄了這類幻覺造成的實害。單獨用 Whisper 時沒有任何機制幫你抓出這些段落——你只能自己逐句對照原音。
二、跳針：同一句重複輸出。 同一份官方文件也承認，模型架構「容易產生重複的文字」，官方提供的緩解手段「能減輕，但不能完全解決」。長檔案、雜音段落尤其常見，一跳針就是一整段要重聽重打。
這兩個問題不是無解，只是解法不在 Whisper 本身。Subanana 的做法是每一段輸出都自動做品質檢查，偵測到疑似幻覺或跳針，就改用另一個評測過的引擎重轉那一段，而且重轉不另外扣額度——自架 Whisper 時，這層品管就是你本人。剩下四個問題，也都是同一個模式：模型有能力，周邊沒人做。
三、中文輸出不保證繁體。 它的語言參數只有「Chinese」一種，沒有繁簡之分，同一段音訊可能輸出簡體字；官方 GitHub 討論區裡的常見解法，是用提示詞（initial prompt）引導，或轉完再跑簡繁轉換。對台灣使用者是每一份稿都要處理的後製成本。
四、語言自動偵測只看開頭 30 秒。 程式碼寫明自動偵測「最多使用前 30 秒」判斷語言，之後整份檔案照這個判斷走。開頭是英文開場白、後面是中文訪談的檔案，你必須知道要自己下 --language 參數——不知道的人拿到的就是一份錯得莫名其妙的稿。
五、教不會你的專有名詞。 品牌名、人名、行業術語，raw Whisper 唯一的調整手段是 initial prompt 這個隱藏參數——每次執行都要重新給，也沒有詞彙庫可以管理。錯的字每一份稿都會再錯一次。
六、輸出不是能直接交件的成品。 有時間碼，但字幕的斷行、每行長度、一秒塞幾個字（觀眾來不來得及讀）、雙語對照，全部要自己處理；逐字稿的標點、分段、講者標示也一樣。社群之所以長出一整圈第三方工具鏈，正是因為原版只給了引擎，沒給周邊。
這還沒算上兩個基本限制：每次只能挑一個模型大小，在「快」與「準」之間自己取捨；大模型在沒有獨立顯示卡的電腦上會明顯偏慢。
換句話說，本地 Whisper 像「引擎」，不是「整台車」。而且這顆引擎出錯時（幻覺、跳針）不會亮任何警示燈——品質把關整層都落在你身上。
想先看「有品管層」的結果長什麼樣，最快的方法是拿一條自己的錄音實測，免費預覽不用付費：
那 Whisper 是什麼？為什麼還是有人選它？
看完六個問題還在讀，代表免費與離線對你真的重要——那 Whisper 值得認識清楚。它是 OpenAI 釋出的語音辨識模型，程式碼與模型權重以 MIT 授權開源，可以下載到自己的電腦離線執行，支援多語言、包含中文。
它的「能力分級」靠模型大小：Whisper 提供 tiny、base、small、medium、large、turbo 等多種模型，越大的模型通常越準，但也越慢、越吃記憶體與顯示卡。其中 tiny、base、small、medium 另有純英文的 .en 版本，large 與 turbo 則只有多語言版。做中文這類非英文內容，一般要選較大的多語言模型，結果才比較可靠。
關鍵在於「怎麼跑起來」。Whisper 本身是一個指令列工具，也可以在 Python 裡呼叫，但執行前你得先安裝 ffmpeg 這個命令列工具，並備好 Python 與 PyTorch、用 pip 安裝。對工程師這很正常；對只是想把訪談錄音轉成文字的研究生或內容創作者，這道門檻往往就卡住了。
Whisper 真正的強項：
- 完全免費：開源、沒有訂閱、沒有按分鐘計費。量大的人長期成本最低。
- 私密、可離線：音訊不必上傳到任何雲端，整個轉錄都在你自己的機器上完成。對保密訪談、敏感資料來說，這是很實在的優勢。
- 可客製：開發者能把它接進自己的流程、自架服務、自訂推論行為。
MacWhisper 和直接用 Whisper 差在哪？
MacWhisper 是把 Whisper 套上 Mac 圖形介面的應用程式：一樣在你的 Mac 上用本地模型轉錄、標榜以本地模型處理敏感檔案，但你不必碰指令列，把檔案拖進去就能轉。它解決的正是「Whisper 難安裝」這個痛點。
版本與收費（官方網站，2026 年 8 月確認）：
- 免費版（€0）：麥克風錄音、常見音訊／影片格式轉錄（mp3、wav、m4a、ogg、opus、mov、mp4）、100 種語言、匯出 SRT／VTT／TXT。日常輕量使用已經夠用。
- Pro 版（€64，一次買斷、含終身更新）：加上講者自動辨識、批次轉錄、YouTube 連結轉錄、字幕自動翻譯，以及更多匯出格式（.docx、.pdf、.md 等）與自動化工作流。
- 官方功能表上還有一項值得一提：會議錄音（Zoom、Teams、Webex 等，直接錄本機音訊，毋須機器人入會）——對「開會順便留逐字稿」的 Mac 使用者是實在的加分。
- 另有 App Store 版本「Whisper Transcription」，採訂閱制（週／月／年）；直接下載版才是一次買斷。
所以 MacWhisper 的定位很清楚：Mac 限定、把本地 Whisper 變得好上手、又保有離線私密；免費版能用，進階功能一次付費買斷。
本地 Whisper／MacWhisper 與雲端 AI 工具怎麼選？
| 比較項目 | 本地 OpenAI Whisper | MacWhisper | 雲端 AI 工具（如 Subanana） |
|---|---|---|---|
| 費用 | 免費、開源 | 免費版；Pro €64 一次買斷 | 免費試用＋付費訂閱 |
| 安裝門檻 | 高（要 ffmpeg／Python） | 低（Mac 圖形介面） | 無（瀏覽器上傳即用） |
| 平台 | Windows／Mac／Linux | 僅 Mac | 任何裝置、免安裝 |
| 隱私 | 完全本地、可離線 | 本地、可離線 | 上傳雲端處理 |
| 選模型方式 | 手動挑一個模型 | 手動挑模型 | 系統依內容自動挑，偵測到問題會自動改用別的模型重轉 |
| 分講者 | 原生不支援 | Pro 支援 | 支援 |
| 校對編輯器 | 無 | 有 | 有（含 AI 校對建議、AI 問答） |
| 整理輸出 | 純文字輸出 | 字幕／文字（Pro 更多格式） | 自動標點分段、移除語助詞，匯出 SRT／VTT／TXT／DOCX／XLSX／MD |
沒有絕對的贏家，只有適合你情境的選擇：
- 要免費、要離線、又不怕架環境 → 本地 Whisper。
- 用 Mac、想要好上手又保有離線私密 → MacWhisper。
- 不想安裝、想要分講者＋線上校對＋自動把稿子整理乾淨 → 雲端 AI 工具。
Subanana 和自架 Whisper 的核心差別是什麼？
最大的差別是：你不必自己當「模型管理員」兼「品管員」。
這個判斷不是理論——Subanana 最早就是只用 Whisper，正是因為在真實流量裡撞到上面那些問題（幻覺、某些音訊條件下認不出有效語音），才改成多供應商、自動備援的架構。所以它的設計，剛好就是對著上面六個問題來的：
| 單獨用 Whisper 的問題 | Subanana 怎麼處理 |
|---|---|
| 幻覺——沒說過的字被寫進稿 | 每段輸出都自動做品質檢查，偵測到疑似幻覺就改用另一個評測過的引擎重轉該段，而且內部重轉不扣你的額度 |
| 跳針重複 | 同一層品質檢查會抓；之上還有 AI 校對層，給整份稿一個 0–100 的品質分數，逐句標出疑似聽錯、同音字、標點問題，由你逐項確認 |
| 簡繁不定 | 輸出語言直接選繁體中文（台灣），不需要提示詞引導或事後簡繁轉換 |
| 語言要自己下對參數 | 上傳時介面直接引導你選來源語言，不會默默用錯 |
| 教不會專有名詞 | 詞彙表：把品牌名、術語存進工作區或單一專案，可用 Excel 批次匯入，之後每份稿都認得；還可上傳背景資料讓 AI 讀上下文 |
| 輸出不是成品 | 自動分講者、標點、分段；字幕會標出「一秒塞太多字、觀眾來不及讀」的位置；直接匯出 SRT／VTT／TXT／DOCX／XLSX／Markdown、雙語字幕，或一鍵輸出燒好字幕的影片 |
模型選擇本身也一樣：Subanana 持續評測多個語音辨識引擎，依來源語言與用途自動挑選表現最好的模型，不綁單一供應商——「挑模型、抓錯、重試」這整層工作你都不用碰。
除此之外的基本盤：
- 免安裝：用瀏覽器上傳錄音（或貼上公開影片連結）就能轉，任何裝置都行。想直接試會議錄音，可以用 AI 會議逐字稿工具。
- 支援 95 種以上語言，中文／華語之外也涵蓋常見語言與翻譯，而且翻譯目前不另外扣額度。
代價是 Subanana 的轉錄在雲端進行，音訊會上傳處理——若你的資料規定「絕對不能離開本機」，那本地 Whisper／MacWhisper 仍是更貼合的選擇。想更全面地比較各種錄音轉文字的方法與費用，可以參考錄音檔轉文字完整教學；想了解台灣本地各種逐字稿選項的價格區間，則可看台灣逐字稿工具比較。
常見問題（FAQ）
Whisper 做中文逐字稿準嗎？ 選較大的多語言模型時整體辨識力不錯，但「準」不等於「可靠」：官方文件承認輸出可能包含音訊中沒說過的字（幻覺）與重複段落，而單獨使用時沒有機制提醒你哪裡出錯。加上不分講者、不整理標點分段、中文可能混出簡體字——重要引用一定要對照原音校對。
Whisper 完全免費嗎？ 本地 OpenAI Whisper 是開源免費的。MacWhisper 免費版可轉錄與匯出 SRT／VTT／TXT；講者辨識、批次轉錄等進階功能需 Pro（€64 一次買斷）。雲端工具多半是免費試用＋付費訂閱。
不會寫程式，可以用 Whisper 嗎？ 直接用原版 Whisper 需要安裝 ffmpeg 與 Python，對非技術使用者門檻偏高。Mac 使用者可改用 MacWhisper（圖形介面）；想完全免安裝，就選瀏覽器上傳的雲端工具。
在意隱私，一定要用本地 Whisper 嗎？ 如果規定資料不能離開本機，本地 Whisper 或 MacWhisper（兩者皆可離線）最合適。雲端工具會把音訊上傳處理，方便性換取了「資料離開本機」這一點——依你的合規要求取捨。
Subanana 是用 Whisper 嗎？ Subanana 不綁定任何單一供應商，而是持續評測多個語音辨識引擎、依內容自動挑選最合適的，並在偵測到問題時自動改用其他模型重轉。重點不是「用哪一家」，而是「每一段都路由到當下評測最佳的引擎」。
想跳過安裝與選模型，上傳就拿到分好講者、整理乾淨的逐字稿？