ローカルとクラウドの文字起こしの違い

動画に字幕を付けるとき、音声認識は自分のパソコンでも、ファイルをサーバーに送っても行えます。どちらも使われています。違いは、プライバシー、費用、速度、ネットワークへの依存度にあります。

ひとことで言うと

ローカルの文字起こし：モデルが Mac に入っていて、音声はこのパソコンの外に出ません。クラウドの文字起こし：音声や動画がサービス提供者のサーバーに送られ、認識されて、テキストだけが戻ってきます。

	ローカル	クラウド
プライバシー	ファイルは Mac の中にとどまります。未公開のインタビュー、社内研修、クライアントの素材に向いています	ファイルをアップロードします。保存されるか、どう使われるかはサービス提供者の方針によるので、自分で読む必要があります
費用	モデルは無料でダウンロードできます。ツール自体の価格はまちまちで、買い切りも無料のオープンソースもあります。使うのは自分のパソコンの処理能力です	分単位の課金やサブスクリプションが一般的で、使うほど費用がかかります
速度	機種によります。Apple シリコンの Mac は Metal で高速化されます。古い機種やメモリの少ない機種は遅くなります	アップロードの速度とサーバーの待ち行列によります。長い動画はアップロードだけで時間がかかります
ネットワーク	初回にモデルをダウンロードするときだけ必要で、あとはオフラインで動きます	毎回ネットワークが必要です

ディスクとメモリを使う：音声モデルは数百 MB から数 GB のファイルです。
Mac が計算し終わるまで待つ：処理中はパソコンがいつもより熱くなり、ファンが回ります。
機能が手元のパソコンに左右される：クラウドのサービスには、話者の区別、用語集、チームでの共同作業などがあることがありますが、ローカルのツールにあるとは限りません。

認識：Whisper large-v3-turbo を whisper.cpp で Mac の中で動かします（whisper.cpp も Whisper モデルも MIT ライセンスです）。
翻訳：macOS 標準のオンデバイス翻訳です。ある言語を初めて翻訳するとき、システムが言語パックのダウンロードを求めることがあり、そのあとはオフラインで動きます。
ネットワークを使うのは 2 か所だけです。音声認識モデルの初回ダウンロードと、macOS による言語パックのダウンロードです。動画と字幕はアップロードされません。
アプリは匿名の利用イベント（成功か失敗か、所要時間、システムのバージョン）を送ります。ファイル名と字幕の内容は含まれず、設定でオフにできます。詳しくはプライバシーポリシーをご覧ください。