Kierownicy potrzebowali protokołów i zadań, ale poufnych rozmów nie można było wysyłać do publicznych usług AI, a ręczna
transkrypcja zajmowała czas.
Zbudowano aplikację macOS i Windows z interfejsem Tkinter/ttk. Apple Silicon używa MLX Whisper, a Intel Mac i Windows Faster Whisper z CTranslate2 na CPU. Użytkownik wybiera plik, język i format TXT/SRT. Zadania w tle utrzymują responsywność interfejsu i pokazują postęp oraz szczegółowe błędy. Pierwsze uruchomienie pobiera zależności i model; kolejne transkrypcje działają lokalnie.
Stos obejmuje Python 3.10+, Hugging Face Hub do pobierania i buforowania modelu oraz FFmpeg do odczytu audio/wideo (w razie potrzeby instalowany przez Homebrew na macOS). Apple Silicon używa mlx-community/whisper-large-v3-turbo; tryb CPU korzysta z Faster Whisper, CTranslate2 i large-v3-turbo. Łączny postęp pobierania uwzględnia rozmiar plików, więc procent nie zeruje się między nimi. Przetwarzanie działa w wątkach roboczych z kolejką zdarzeń GUI; błędy pokazują przechwycony wynik i pełny, możliwy do skopiowania traceback Pythona.
Według materiałów case study godzinną rozmowę można transkrybować w 3–5 minut zamiast poświęcać 1–2 godziny na pracę ręczną. Dźwięk jest przetwarzany lokalnie; materiały wskazują też oszczędność 6–8 godzin tygodniowo na sporządzaniu protokołów przez zespół.
| Wskaźnik | Wynik |
|---|---|
| Transkrypcja godzinnego nagrania | 1–2 godziny ręcznie → 3–5 minut automatycznie |
| Dźwięk wysyłany do usług zewnętrznych | 0 bajtów |
| Czas zespołu na protokoły tygodniowo | 6–8 godzin → minuty weryfikacji |
| Windows bez GPU | Działa na CPU (CTranslate2) |
Szybkość i oszczędność czasu podano w materiałach case study; rzeczywista wydajność zależy od nagrania i komputera.