56 минут созвона → текст за 5 минут: собираем локальный транскрибатор на Mac M4

У автора от трёх до пяти созвонов в день — все в браузере (Meet, Яндекс Телемост, ktalk, реже Zoom). Договорённости расползались, пришлось записывать. Сначала использовал OBS с захватом экрана, но звук начал «квакать», а процессор задыхался. К тому же экран оказался не нужен.

Решение — локальный стек: Audio Hijack (платная разовая лицензия, без подписки) пишет один mp3, mlx-whisper (MLX-версия Whisper с весами large-v3-turbo) делает транскрипцию в VTT, а pyannote раскладывает реплики по SPEAKER_XX. Всё крутится на GPU Mac, данные не уходят в облако.

На 56-минутном звонке транскрипция заняла около пяти минут. Скрипты автор выложил в открытый доступ на GitHub под лицензией MIT (репозиторий mac-call-transcribe). Повторить можно на любом Mac с M-чипом.