المستوى المطلوب: متوسط. محتاج تكون مرتاح مع الـ terminal وأوامر cmake وبناء مشاريع C++. مش لازم تعرف Machine Learning، بس لو عمرك ما عملت compile لمشروع C++ خد بالك من جزء التركيب لأن فيه خطوات حسّاسة بتختلف بين macOS و Linux.
لو بتدفع لـ OpenAI Whisper API دولار في كل ساعة صوت وعندك 200 ساعة بودكاست عربي شهريًا، أنت بتحرق $200 من غير ضرورة. Whisper.cpp بيشغّل نفس النموذج على لابتوب MacBook Air M2 في 1.4× زمن الصوت، بدقة WER حوالي 11% على العربي الفصيح، بتكلفة كهربا بس وبدون ما يطلع الصوت من جهازك خالص.
ليه Whisper.cpp بالظبط مش OpenAI API
الموضوع مش بس فلوس. أكتر من 60% من المؤسسات اللي بتسجّل اجتماعات أو مكالمات عملاء عندها التزام تعاقدي إن الصوت ما يطلعش من شبكتها. قانون حماية البيانات الشخصية السعودي PDPL والقانون المصري 151 لسنة 2020 بيحطّوا قيود مباشرة على نقل بيانات شخصية حساسة لمزوّد سحابي مش متوافق. الـ API السحابي ميقدرش يحلّ المعادلة دي، مهما كان شكل الـ DPA.
تخيّل المشهد كده زي محل تصوير مستندات في حيّك. ساعة تروح تصوّر بطاقتك في محل برّه البلد، أنت بتثق إن الورقة هتترمي بعد التصوير. Whisper API هو نفس المنطق: بتبعت الصوت لسيرفر برّه عندك، وبتثق في سياسة الاحتفاظ. Whisper.cpp بيخلّيك تجيب ماكينة التصوير الجوّة شركتك. أبطأ، لكن مفيش صوت بيمشي حتة تانية.
تقنيًا، Whisper.cpp هو إعادة كتابة لنموذج OpenAI Whisper بلغة C++ من Georgi Gerganov (نفس المطوّر اللي وراء llama.cpp و ggml). بيستخدم Quantization بـ 4-bit و 8-bit عشان النموذج يقعد في ذاكرة أصغر، وبيستفيد من تعليمات Apple Silicon NEON و AVX2 على Intel، و CUDA على NVIDIA. النتيجة: نفس الموديل (large-v3 مثلًا، 1.55 مليار parameter) بيشتغل على RAM 4GB بدل ما يحتاج GPU سيرفر.
المشكلة باختصار
تخيّل إنك بتحوّل بودكاست أسبوعي مدته ساعة لنص عشان تنشره كمقال SEO. على Whisper API هتدفع $0.36 لكل ساعة صوت، يعني حوالي $19 في السنة لو الإنتاج ثابت. مش رقم كبير لشخص واحد. لكن في وكالة محتوى بـ 40 عميل بـ 4 ساعات شهريًا، الفاتورة بتطلع $1,728 سنويًا، والصوت كله بيمشي على إنترنت غير مضمون، وفيه عملاء بترفض ده تعاقديًا.
Whisper.cpp بينقّل العملية كلها لجهازك. كفاءته كافية إن MacBook Air M2 يخلّص ساعة صوت في حوالي 42 دقيقة. ما تنتظرش معجزة 5x اللي شركات API بتعدّها — بس النتيجة العملية كافية لروتين يومي ما بيضغطش على الجهاز.
التركيب في 5 خطوات (macOS و Linux)
- كلون المستودع الرسمي:
git clone https://github.com/ggerganov/whisper.cpp.git cd whisper.cpp - بناء المشروع مع تسريع GPU. على Mac استخدم Metal، وعلى Linux مع NVIDIA استخدم CUDA:
