Qwen Scribe v0.1.0-beta.1 – Apple Silicon向けローカル文字起こし・ディクテーション
概要と重要なポイント
Qwen Scribe v0.1.0-beta.1は、Apple Silicon搭載Mac向けに、Qwen3-ASRを完全にデバイス内で実行する、プライバシーに配慮したローカルな文字起こしおよびディクテーション機能を提供します。
本アプリケーションはソースコードのみでリリースされており、ユーザーは make app を使用してローカルでアプリをビルドする必要があります。アカウント作成、APIキー、クラウドサービスは一切不要であり、音声データと文字起こしテキストはMac内に留まります。
機能と能力
Qwen Scribeは、ドラッグ＆ドロップによるメディア文字起こし、右側のCommandキーによるリアルタイム・ディクテーション、言語検出機能を備えた多言語サポート、およびローカルの文字起こし履歴を提供します。 ユーザーは、フォーカスされたWebインターフェースに音声または動画ファイルをドロップし、精度重視の1.7Bモデルか速度重視の0.6Bモデルかを選択できます。また、自動言語検出、オプションの言語強制、語彙ヒント、単語のタイムスタンプ、およびSRTエクスポート機能が利用可能です。 ディクテーションは、任意のテキストフィールドで右側のCommandキーを長押しすることで起動します。話している間はキーを押し続け、話し終えてキーを離すと、ローカルで文字起こしが行われ、結果がカーソル位置に貼り付けられます。 非フォーカス奪取型のHUDにより、リスニング中、文字起こし中、成功、失敗のステータスが表示されます。 すべての文字起こしデータはJSONとしてローカルに保存され、再開、個別の削除、または全削除が可能です。
システム要件とインストール
Qwen Scribeを実行するには、macOS 14以降を搭載したApple Silicon Mac、Python 3.12、ffmpeg、およびXcodeコマンドラインツールが必要です。その後、make app を使用してソースからアプリをビルドします。
メモリ要件は、1.7Bモデルで約3.4 GB、0.6Bモデルで約1.2 GBのユニファイドメモリに加え、通常のアプリケーションオーバーヘッドが必要です。
モデルの重みは同梱されていません。初回実行時に cache/huggingface/hub にダウンロードされます。
ビルド後、dist/Qwen Scribe.app がサーバーとディクテーションヘルパーを起動し、dist/Stop Qwen Scribe.app はQwen Scribeによって起動されたプロセスのみを停止します。
アーキテクチャとデータフロー
本アプリケーションは、ブラウザベースのUI、FastAPIジョブキュー、MLXで加速されたQwen3-ASRを分離しており、ネイティブのmacOSヘルパーがディクテーションのショートカットを処理します。
UIは、メモリ競合を避けるためにGPUジョブをシリアル化するlocalhost限定のFastAPIサーバーと通信します。
メディアファイルはランダムな一時名称でステージングされ、処理後に削除されます。
ディクテーションについては、ネイティブのarm64バンドル実行ファイル (native/DictationHelper.m) が右Commandキーのイベントを監視し、一時的なWAVファイルを作成して同じジョブキューに送信します。その後、文字起こし結果を受け取り、クリップボードのスナップショットを取得し、Command-Vでテキストを貼り付け、変更がない場合は元のクリップボードを復元します。
使用方法：ファイル文字起こしとディクテーション
ユーザーは、http://127.0.0.1:8990 のWebインターフェースを通じてローカルの音声/動画ファイルを文字起こしするか、任意のテキストフィールドで右Commandキーを長押ししてディクテーションを呼び出すことができます。
ファイル文字起こし：ローカルサーバーのURLを開き、ファイルをドロップし、モデルサイズとオプションを選択して、文字起こしテキストまたはSRTをダウンロードします。 ディクテーション：システム設定 → プライバシーとセキュリティ で、マイク、入力監視、アクセシビリティの権限を許可してください。右Commandキーを押し続け、話した後、キーを離すとテキストが挿入されます。 アクセシビリティが拒否されている場合、ヘルパーは文字起こし結果をクリップボードに残し、成功と表示する代わりに失敗を報告します。
パフォーマンスとコミュニティによる比較
コミュニティからの初期のフィードバックでは、Qwen ScribeはM1 Mac上で実時間の約2倍の速度で動作すると述べられていますが、一部のユーザーはベンチマークデータを提供せずにWhisper、Parakeet、およびその他のツールと比較しています。
"これはM1では実時間の2倍、parakeetを使用したfluidaudioでは60倍に相当します。" — @foobarqux
リポジトリには公式のレイテンシや精度の数値は提供されていません。上記のパフォーマンスに関する主張は、引用されたコメントのみに基づいています。
プライバシー、権限、およびデータ取り扱い
Qwen Scribeはすべての音声および文字起こしデータをMac内に保持します。ディクテーションにはマイク、入力監視、およびアクセシビリティの権限が必要です。文字起こしはアプリケーションサポートフォルダ内に暗号化されていないJSONとして保存されます。
保存された文字起こしは、~/Library/Application Support/Qwen Scribe/transcripts に読み取り可能なJSONとして格納されます。
プライベートなランタイムと診断ログもそれらと共に保存されます。
モデルの重みは ~/.cache/huggingface/hub にキャッシュされます。
文字起こしは暗号化されていないため、ローカルバックアップやファイルシステムの削除によってコピーが残る可能性があります。アプリケーションによる安全な消去（secure erasure）は行われません。
開発、ビルドプロセス、およびロードマップ
本プロジェクトは、仮想環境のセットアップ、テストの実行、アドホック署名されたアプリのビルド、およびベータリリースパッケージの作成のためのMakefileベースのワークフローを提供しており、v0.2ではDeveloper IDによる署名と公証（notarized）されたバイナリを計画しています。
make setup は .venv を作成し、固定された依存関係ロックをインストールします。
make test は、モデルの重みを使用せずに軽量なAPI/履歴テストを実行します。
make check は、ソースのコンパイルと公開に関するハイジーンチェックを追加します。
make app は、ネイティブのDictationHelperをarm64バンドルとしてコンパイルし、サーバーランチャーと追跡されたソースを署名されたリソースとして埋め込み、プロパティリストを検証し、署名を行い、結果を検証します。
make package は、dist/ にベータリリースzipを生成します。
CODESIGN_IDENTITY をDeveloper IDの識別子に設定すると、リリースビルドの署名が有効になります。公証はv0.2で計画されている別のステップです。
コミュニティの質問と洞察
Hacker Newsのコメント投稿者は、言語サポート、Whisperや他のディクテーションツールとの比較、mlx-swiftではなくPythonを選択した理由、およびffmpegのインストール方法について質問しました。
"これはOpenAIのWhisperより優れていますか？" — @yuraoak
"リリースおめでとうございます！ 1. Pythonを使用しているようですが、代わりにmlx-swiftを使用する予定はありますか？ 2. 今のところ、Qwen ASRはほとんどのディクテーションアプリケーションにおいて、ParakeetやWhisperよりもサポートが不十分なように見えます（voxtralもその点で同様です）。なぜそうなるのだと思いますか？ありがとうございます、ロードマップに期待しています！" — @jiehong
"handy.computerやwhisprflowのモデルと比較してどうですか？" — @dandaka
"どの言語をサポートしていますか？" — @abdullahkhalids
"素朴なmacportsユーザーからの質問です。ある程度、brewはmacportsとは無関係です。macportsでインストールしたffmpegに簡単にリンクする方法はありますか？ありがとうございます。" — @dmwood
"このようなものこそ、患者のデータをどこへ行くともしれないAIスクライブに送りつける代わりに、医師が使うべきものです。それは違法である可能性が高いですが、実際に行われています。FHE（完全準同型暗号）の推進理由の一つであることは間違いありませんが...ローカルで処理する方が明らかに実用的でプライベートです。" — @smalltorch
"@claude は貢献者ですか？ 信じがたいです。" — @1-6
これらの質問に対する回答はソース資料には含まれておらず、投稿は問い合わせ内容を報告しているに過ぎません。