video2text

mp4 영상이나 오디오 녹음을 화자 분리된 전사본으로 바꿔드립니다 — 전부 내 Mac 안에서. 어디에도 업로드되지 않습니다.

video2text app window — drag-and-drop mp4 conversion, voice profile matching, and job history

video2text란?

video2text는 macOS(Apple Silicon)용 완전 로컬, 화자 분리 전사 앱입니다. mp4나 오디오 파일 — 화상 회의 녹화본, 카메라 한 대로 찍은 오프라인 회의, 강연, 인터뷰 — 을 넣으면 화자별로 정리된 전사본을 만들어 줍니다.

[00:12:34] Alex: Hi everyone, let's start today's meeting.
[00:12:41] Jordan: Sure, I'll share last week's issues first.

음성 인식과 화자 분리 모두 기기 안에서 실행됩니다. 최초 실행 시 한 번 내려받는 모델 가중치를 제외하면, 어떤 오디오도 영상도 전사본도 여러분의 기기를 벗어나지 않습니다.

완전 로컬

음성 인식(mlx-whisper)과 화자 분리(pyannote.audio) 모두 Apple Silicon Metal 가속으로 실행됩니다. 클라우드 업로드는 결코 없습니다.

내 목소리 자동 매칭

내 목소리를 한 번(10~20초) 등록해두면 이후 모든 전사본에서 자동으로 매칭됩니다 — "화자 1" 대신 실제 이름으로.

재매칭 & 재라벨링

잘못된 화자 매칭을 고치거나 프로필을 나중에 추가해도 — 전체 파이프라인을 다시 돌릴 필요가 없습니다. 몇 초 만에 재매칭하거나 재라벨링하세요.

독립 실행형 앱

video2text.app은 자체 Python 런타임, ffmpeg, ML 의존성을 모두 담고 있습니다. 다른 Apple Silicon Mac에 복사만 해도 바로 동작합니다.

3가지 내보내기 포맷

읽기 편한 TXT, 영상 자막용 SRT, 타임스탬프가 포함된 화자별 원본 블록의 JSON.

네이티브 데스크톱 UI

네이티브 macOS 창(pywebview) — 파일을 드래그 앤 드롭하고, 실시간으로 진행 상황을 확인하세요. 브라우저가 필요 없습니다.

동작 방식

Local file                         On this Mac only
───────────                        ─────────────────
1. extract audio   →  ffmpeg
2. diarize         →  pyannote/speaker-diarization-3.1   (who spoke when)
3. transcribe      →  mlx-whisper large-v3-turbo          (what was said)
4. match speakers   →  SpeechBrain ECAPA-TDNN embeddings   (registered voice profiles)
5. render           →  TXT / SRT / JSON

1~5단계 그 어느 과정도 네트워크를 거치지 않습니다. video2text가 네트워크에 접속하는 유일한 순간은 최초 실행 시 HuggingFace / Apple(mlx-community)에서 모델을 한 번 내려받을 때뿐입니다.

빠른 시작

빌드가 필요 없습니다 — 패키징된 앱을 내려받아 실행하세요:

최신 릴리즈에서 video2text-v1.0.1-macos-arm64.zip을 다운로드하고 압축을 풉니다.
video2text.app을 더블클릭합니다. (macOS가 “확인되지 않은 개발자” 경고를 표시하면, 우클릭 → 열기를 한 번 실행하세요.)
화자 분리 모델에 필요한 HuggingFace 접근 권한을 설정합니다(한 번만, 무료) — 시작하기를 참고하세요.

소스에서 직접 빌드하고 싶으신가요?

git clone https://github.com/neurosamAI/video2text
cd video2text
./build.sh      # builds video2text.app locally
./run.sh        # or run it as a local web server at http://127.0.0.1:8765

왜 로컬인가?

	video2text	Otter.ai	Whisper API	Zoom AI Companion
실행 위치	온디바이스	클라우드	클라우드	클라우드
파일 업로드 필요	불필요	필요	필요	필요
화자 분리	내장	내장	직접 구현 필요	내장
내 목소리 자동 매칭	지원	지원(계정 기반)	미지원	미지원
전체 재실행 없는 재매칭	지원	미지원	미지원	미지원
오프라인 사용	지원	미지원	미지원	미지원
비용	무료, 오픈소스	구독	사용량 기반	부가 구독

video2text의 입장은 분명합니다: 녹화본이 민감한 내용 — 사내 회의, 채용 인터뷰, 고객 상담 — 이라면 그 방을 벗어날 필요가 없습니다.

실제 사용 시나리오

“모든 팀 회의를 녹화하고 나중에 노트가 필요해요”

녹화본을 넣고, 팀원들의 목소리를 한 번만 등록해두면, 실제 이름으로 라벨링된 전사본을 얻을 수 있습니다 — 클라우드 전사 비용도, 제3자에게 업로드되는 녹화본도 없습니다.

“녹화된 강연에 자막이 필요해요”

바로 SRT로 내보내서 영상 편집기에 넣으세요.

“화자가 잘못 매칭됐어요 — 하지만 30분을 다시 기다리고 싶지 않아요”

빠진 목소리 프로필을 추가하고 재매칭을 누르세요. 화자 분리와 전사는 이미 끝나 있으므로 — 화자 매칭만 다시 실행됩니다.

누구를 위한 도구인가요?

회의, 인터뷰, 고객 상담을 녹화하지만 그 오디오가 외부로 나가는 것을 원하지 않는 팀
분당 클라우드 비용 없이 Whisper급 전사 품질을 원하는 모든 사람
업로드를 기다리기보다 로컬에서 15~40분을 쓰는 편이 나은 Apple Silicon Mac 사용자
직접 검사하고, 포크하고, 확장할 수 있는 화자 분리를 원하는 개발자와 연구자

실제 필요에서 시작된 프로젝트

video2text는 반복되는 문제 하나를 풀기 위한 주말 프로젝트로 시작됐습니다: 녹화된 회의를 텍스트로 남기되, 어디에도 업로드하지 않는 것. Murry Jeong(comchangs)과 neurosam.AI가 배포 도구 Tow에 이어 공개하는 두 번째 오픈소스 프로젝트입니다.