Przejdź do treści głównej
Dla IT, badaczy i firm

Whisper po polsku: jak dokładnie działa, jak go uruchomić i kiedy wybrać gotową usługę

Tak, Whisper od OpenAI rozpoznaje polski i jest jednym z najlepszych darmowych modeli dla naszego języka. W benchmarku Centrum Sztucznej Inteligencji UAM Whisper Large pomylił 8,4% słów na nagraniach czytanych, ale już 23,4% na swobodnych rozmowach, czyli mniej więcej co czwarte słowo na typowym spotkaniu. Sam model jest darmowy (licencja MIT), ale nie rozpoznaje mówców, wymaga Pythona, ffmpeg i najlepiej karty graficznej, a model whisper-1 w API OpenAI przestanie działać 26 lutego 2027 r. Poniżej liczby, instrukcja i uczciwe porównanie z gotową usługą.

Wypróbuj Klang za darmoDane nie mogą opuścić firmy? Zobacz wdrożenie on-premiseFree bezpłatnie na zawsze · Pro z 7-dniowym okresem próbnym

01

Czy Whisper działa po polsku?

Tak. Whisper to wielojęzyczny model rozpoznawania mowy, który OpenAI opublikowało razem z kodem i wagami na licencji MIT, więc możesz go używać za darmo, także komercyjnie. Polski jest jednym z obsługiwanych języków. Model działa na twoim komputerze lub serwerze, a nagrania nigdzie nie wychodzą.

Whisper ma kilka rozmiarów. Im większy model, tym mniej błędów, ale tym więcej pamięci karty graficznej (VRAM) potrzebuje i tym wolniej działa. Według repozytorium OpenAI:

  • tiny: 39 mln parametrów, ok. 1 GB VRAM, ok. 10 razy szybszy od large
  • base: 74 mln, ok. 1 GB, ok. 7 razy szybszy
  • small: 244 mln, ok. 2 GB, ok. 4 razy szybszy
  • medium: 769 mln, ok. 5 GB, ok. 2 razy szybszy
  • large: 1550 mln, ok. 10 GB, punkt odniesienia
  • turbo: 809 mln, ok. 6 GB, ok. 8 razy szybszy; to zoptymalizowana wersja large-v3 i model domyślny, ale nie tłumaczy na angielski

Whisper lokalnie, API OpenAI i Klang

Porównanie dla zespołu, który chce regularnie transkrybować spotkania i wywiady po polsku. Stan na 14 listopada 2026 r.

Whisper lokalnie, API OpenAI i Klang
Whisper lokalnieAPI OpenAI (whisper-1)Klang
KosztModel za darmo (MIT); płacisz za komputer z kartą graficzną i czas osoby, która to utrzymujeOpłata za minutę według cennika OpenAIFree bezpłatnie; Pro 14 € netto miesięcznie przy płatności rocznej; Enterprise według wyceny
UruchomieniePython, ffmpeg, wiersz poleceńKlucz API i własny kodKonto w przeglądarce, aplikacja na iPhone'a, Androida, Maca i Windowsa (beta)
PlikiBez limitu rozmiaru, ograniczenie to sprzętDo 25 MB na plikAudio i wideo do 10 GB
Podział na mówcówBrak, trzeba dobudowaćBrak w whisper-1Pro: w całej transkrypcji; Free: tylko na początku
Nagrywanie spotkańBrakBrakTeams, Google Meet, Zoom, spotkania w sali
Podsumowania i notatkiBrakBrakPodsumowanie, decyzje, zadania, czat z nagraniem
Gdzie są daneNa twoim komputerzeU OpenAIW UE; w Enterprise chmura prywatna lub on-premise
Do kiedyBez terminuWyłączenie 26 lutego 2027 r.Usługa rozwijana na bieżąco

Whisper: github.com/openai/whisper; API: dokumentacja i strona wycofań OpenAI; Klang: klang.ai/pl/pricing. Sprawdzone 14 listopada 2026 r.

02

Jak dokładny jest Whisper po polsku? Dane z benchmarku UAM

Najlepsze niezależne dane dla polskiego pochodzą z Centrum Sztucznej Inteligencji Uniwersytetu im. Adama Mickiewicza w Poznaniu. Zespół zebrał dwa zbiory testowe: BIGOS, czyli 12 publicznych korpusów polskiej mowy, w większości czytanej (m.in. Common Voice, FLEURS, MLS i nagrania CLARIN-PL), oraz PELCRA, czyli swobodne rozmowy nagrane i opisane przez zespół PELCRA z Uniwersytetu Łódzkiego (korpusy SpokesMix, SpokesBiz i DiaBiz). Na obu zbiorach porównano darmowe i komercyjne systemy rozpoznawania mowy (19 w tabeli na stronie CSI UAM, 25 w rankingu Polish ASR Leaderboard z lipca 2024 r.).

Wynik podaje się jako WER (word error rate), czyli odsetek słów, które system pominął, dodał lub zapisał błędnie. Najlepszy darmowy system, Whisper Large, miał 8,38% WER na zbiorze BIGOS i 23,4% na rozmowach PELCRA. Whisper w chmurze OpenAI wypadł podobnie: 10,05% i 23,5%. W rankingu Polish ASR Leaderboard mediana 25 systemów wyniosła 14,5% na mowie czytanej i 32,4% na rozmowach, a najmniejsze modele Whisper (base i tiny) znalazły się wśród najsłabszych.

Wniosek dla praktyki: dla polskiego bierz model large albo turbo, nie tiny czy base, i nie oczekuj na nagraniu ze spotkania wyników z czystych nagrań. Na rozmowie kilku osób, z przerywaniem, nazwiskami, skrótami i słabym mikrofonem błędów jest mniej więcej trzy razy więcej niż na tekście czytanym do mikrofonu. Dlatego zanim wybierzesz narzędzie, sprawdź je na własnych nagraniach (przykład obliczenia poniżej).

03

Jak uruchomić Whisper po polsku na własnym komputerze

Instalacja zajmuje kilkanaście minut, jeśli znasz wiersz poleceń. Kroki z repozytorium OpenAI:

  • Zainstaluj Pythona w wersji 3.8–3.11 (z tymi wersjami kod jest zgodny według repozytorium).
  • Zainstaluj ffmpeg: na Windowsie „choco install ffmpeg” albo „scoop install ffmpeg”, na Macu „brew install ffmpeg”.
  • Zainstaluj Whisper poleceniem „pip install -U openai-whisper”. Jeśli instalacja przerwie się na pakiecie tiktoken, doinstaluj Rust.
  • Uruchom transkrypcję: „whisper nagranie.m4a --language Polish --model turbo”. Podanie języka oszczędza błędne wykrycie języka na początku nagrania.
  • Przy pierwszym uruchomieniu Whisper pobierze wybrany model, potem działa bez internetu. Wynik zapisze w bieżącym folderze (tym, z którego uruchamiasz polecenie; inny wskażesz opcją „--output_dir”) jako tekst (txt), napisy (srt, vtt) i dane z czasami (tsv, json).

04

Whisper przez API OpenAI: whisper-1 działa do 26 lutego 2027

Zamiast uruchamiać model u siebie, możesz wysłać plik do API OpenAI. Według dokumentacji pojedynczy plik może mieć do 25 MB, a API przyjmuje m.in. mp3, mp4, m4a, wav, ogg i webm. Godzinne nagranie trzeba więc zwykle skompresować albo pociąć na części.

Ważna zmiana: 26 sierpnia 2026 r. OpenAI oznaczyło modele whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe i gpt-4o-transcribe-diarize jako wycofywane. Przestaną działać 26 lutego 2027 r., a ich następcą jest gpt-transcribe (lub gpt-live-transcribe do transkrypcji na żywo). Jeśli twój skrypt albo integracja korzysta z whisper-1, zaplanuj migrację już teraz. Model open source z GitHuba to nie dotyczy: pobrane wagi działają dalej.

05

Czego Whisper nie robi, a w pracy zwykle jest potrzebne

Whisper zamienia mowę na tekst i na tym kończy. Żeby zespół dostawał po każdym spotkaniu czytelną transkrypcję i protokół, trzeba dobudować resztę:

  • Podział na mówców. Repozytorium Whisper nie przewiduje rozpoznawania, kto mówi. Potrzebny jest osobny model i kod, który połączy jego wynik z tekstem.
  • Kontrola „halucynacji”. W badaniu Koenecke i in. (2024) około 1% transkrypcji Whispera zawierało całe zdania, których nikt nie wypowiedział, częściej w ciszy i przerwach. W protokole z zebrania czy notatce z rozmowy z klientem trzeba to wyłapać.
  • Nagrywanie spotkań: bot dla Teams, Google Meet i Zooma albo aplikacja na telefon i komputer.
  • Interfejs: przesyłanie plików, poprawianie tekstu z odsłuchem, wyszukiwanie w nagraniach.
  • Dostępy i RODO w zespole: konta, uprawnienia do folderów, usuwanie nagrań i kopii, rejestr, kto co widział.
  • Podsumowania i protokoły: osobny model językowy i praca nad poleceniami, żeby wynik był po polsku i w twoim formacie.

06

Kiedy Whisper na własnym komputerze to dobry wybór

Whisper lokalnie ma sens, gdy masz kogoś, kto sprawnie korzysta z Pythona, i konkretne, powtarzalne zadanie: przepisanie archiwum nagrań, projekt badawczy, napisy do filmów albo wbudowanie rozpoznawania mowy we własny produkt. Masz wtedy pełną kontrolę nad danymi i kosztami, a nagrania nie opuszczają twojego komputera. Dla pojedynczych, wrażliwych nagrań, których nie chcesz nigdzie wysyłać, to też rozsądna opcja.

07

Kiedy lepsza jest gotowa usługa

Jeśli celem jest to, żeby prawnicy, HR, kierownicy projektów czy sekretarz zarządu mieli tekst i notatkę po każdej rozmowie, a nie utrzymywanie kolejnego systemu, gotowa usługa zwykle wychodzi taniej od pierwszego miesiąca: nie ma kosztów karty graficznej, rozwoju i utrzymania.

Klang transkrybuje po polsku (to jeden z 19 języków), dzieli tekst na mówców i pisze podsumowanie z decyzjami i zadaniami. Nagrywa spotkania w Teams, Google Meet i Zoomie, w sali przez aplikację mobilną albo na komputerze bez bota, a pliki audio i wideo do 10 GB przetranskrybujesz w przeglądarce. W planie Pro dodasz słowniki z nazwiskami, nazwami firm i skrótami, które Whisper najczęściej przekręca. Dane są przechowywane w UE, Klang ma certyfikat ISO 27001:2022 i nie trenuje AI na danych klientów.

Główny argument za własnym serwerem to wymóg, żeby nagrania nie opuszczały sieci organizacji. Na to Klang ma plan Enterprise: chmurę prywatną z własnymi kluczami szyfrowania albo instalację on-premise w twojej infrastrukturze.

Przykład: jak policzyć, ile błędów robi narzędzie na twoim nagraniu

Ten test zajmuje około godziny i mówi więcej niż każdy benchmark (liczby poniżej są poglądowe):

1. Wybierz fragment
10 minut typowego nagrania: spotkanie zespołu z trzema osobami, z nazwiskami klientów i skrótami, nagrane tym mikrofonem co zwykle. To około 1300 słów.
2. Zrób wzorzec
Przepisz ten fragment ręcznie, słowo w słowo. To twój tekst odniesienia.
3. Policz błędy
Porównaj wynik narzędzia ze wzorcem i policz słowa pominięte, dodane i zapisane źle. Przykład: 290 błędów na 1300 słów to WER 22%, czyli blisko wyniku Whisper Large na rozmowach w benchmarku UAM.
4. Sprawdź to, co ważne
Policz osobno błędy w nazwiskach, kwotach, datach i decyzjach. Narzędzie z niższym WER, które przekręca nazwisko klienta, może być gorsze dla protokołu niż takie, które myli się w słowach typu „no” i „yyy”.
5. Zdecyduj
Porównaj Whisper large lub turbo, gotową usługę i czas, jaki zajmuje poprawienie każdego wyniku. Liczy się suma: koszt narzędzia plus godziny poprawiania.

Bez serwera i bez kodu

Transkrypcja po polsku gotowa od pierwszego dnia

Prześlij nagranie albo nagraj spotkanie, a Klang zrobi transkrypcję po polsku z podziałem na mówców i podsumowanie z decyzjami i zadaniami. Zacznij w planie Free, a Pro przetestuj przez 7 dni.

  • Transkrypcja po polsku, pliki audio i wideo do 10 GB
  • Nagrywanie spotkań w Teams, Google Meet i Zoomie oraz w sali
  • Pro: mówcy w całej transkrypcji, słowniki, eksport do Worda i SRT
  • Dane przechowywane w UE · ISO 27001:2022 · dane klientów nie służą do trenowania AI

Najczęstsze pytania o Whisper po polsku

Czy Whisper jest darmowy?

Tak. Kod i wagi modelu są na licencji MIT, więc możesz używać Whispera za darmo, także w firmie. Płacisz za sprzęt i czas osoby, która go uruchomi i utrzyma. Płatne jest natomiast API OpenAI, a jego model whisper-1 przestanie działać 26 lutego 2027 r.

Jaki model Whisper wybrać do języka polskiego?

Large albo turbo. W benchmarku UAM to Whisper Large był najlepszym darmowym systemem dla polskiego, a najmniejsze modele (tiny i base) znalazły się wśród najsłabszych. Turbo to szybsza, zoptymalizowana wersja large-v3 i domyślny model Whispera.

Jaka karta graficzna jest potrzebna do Whispera?

Według repozytorium OpenAI model large potrzebuje ok. 10 GB pamięci karty graficznej, turbo ok. 6 GB, medium ok. 5 GB, a tiny i base ok. 1 GB. Bez karty graficznej Whisper też zadziała, ale długie nagranie będzie się przetwarzać znacznie dłużej.

Czy Whisper rozpoznaje mówców?

Nie. Whisper zapisuje, co zostało powiedziane, ale nie kto mówi. Do podziału na mówców potrzebny jest osobny model. W Klang podział na mówców jest wbudowany: w planie Pro w całej transkrypcji, w planie Free tylko na początku.

Czy Whisper działa offline?

Tak, gdy uruchamiasz go na własnym komputerze. Internet jest potrzebny tylko przy instalacji i pierwszym pobraniu modelu. Nagrania nie są nigdzie wysyłane, co jest głównym powodem, dla którego wybierają go badacze i działy z wrażliwymi danymi.

Czy Whisper zmyśla tekst?

Czasem tak. Badanie Koenecke i in. (2024) wykazało, że około 1% transkrypcji zawierało całe wymyślone frazy lub zdania, często w miejscach ciszy. Przy dokumentach, na których coś się opiera, na przykład protokołach czy notatkach z rozmów z klientami, sprawdzaj fragmenty z odsłuchem nagrania.

Czy Klang można uruchomić na własnych serwerach?

Tak, w planie Enterprise: jako chmurę prywatną z własnymi kluczami szyfrowania albo jako instalację on-premise w twojej infrastrukturze. W pozostałych planach dane są przechowywane w UE i nie służą do trenowania AI.

Źródła

Wszystkie źródła sprawdzone 14 listopada 2026 r.