Handy: zdarma a 100% lokální alternativa Wispr Flow

Píšu málokdy. Většinou mluvím.

Diktování je dneska můj hlavní vstup do AI. Místo psaní delších promptů je pro mě vždy přirozenější a rychlejší ho namluvit. Volný chod myšlenek nebrzdí rychlost prstů.

Pro přepis promptů do textu používám už nějakou dobu Wispr Flow. Je výborný, rád ho doporučuji, ale má několik ale. Je docela dost drahý a taky běží v cloudu. Vaše data, hlas a myšlenky odesíláte na cizí servery. A obě nevýhody se dají docela elegantně vyřešit.

Alternativa, kterou bych vám rád doporučil, se jmenuje Handy. Je open-source, běží 100% lokálně na vašem počítači (neposílá žádná data, nikam) a dokonce umí být násobně rychlejší.

Proč vůbec diktovat do AI

Existují dva hlavní důvody, proč zadávat AI, v mém případě Claude Code, hlasem než promptovat psaním:

Mluvený prompt dává mnohem bohatší kontext. A jak víme, kontext je pro práci s AI naprosto klíčový.
Rychlost. Pro většinu lidí je mluvení mnohem rychlejší a méně namáhavé.

Wispr Flow: skvělý, placený, cloudový

Ať je jasno, Wispr Flow je špička. Nejhladší UX z toho, co jsem zkoušel, postprocessing přes AI, který text uhladí, custom slovník. Pokud chcete funkční řešení na klíč a nevadí vám si za něj zaplatit, není asi co řešit.

Co stojí za to vědět:

Cena: 15 dolarů měsíčně, nebo zhruba 12 dolarů měsíčně při roční platbě (144 dolarů/rok). Free verze je do 2 000 slov týdně, což na pořádné používání nestačí.
Cloud: a tohle je ten zásadní bod. Váš hlas jde při každém diktování přes internet na jejich servery (běží to na AWS a posílá se to dál do jazykových modelů). Nemá žádnou možnost lokálního zpracování.
Data: Wispr data neprodává. Ale v defaultním nastavení se vaše diktování může používat na zlepšování jejich modelů. Jde to vypnout (Privacy Mode / zero data retention), ale musíte to udělat ručně, samo se to nezapne.

Férově: pro spoustu lidí je to v pohodě. Ale když diktujete pracovní věci, klientská data nebo cokoliv citlivého, je dobré vědět, kudy ten zvuk teče.

Handy: spolehlivý, zdarma, open-source a 100% lokální

Nejjednodušší je Handy chápat jako Wispr Flow, jen se třemi zásadními výhodami: je zadarmo, je open-source a běží 100% u vás v počítači. Žádný cloud, žádné API, žádné měsíční předplatné. Přepis se děje přímo na vašem stroji — jejich vlastními slovy: „Váš hlas zůstává ve vašem počítači."

Instalace je otázka pár minut a zvládne ji každý:

Běžte na handy.computer/download a klikněte na verzi pro svůj systém — Mac, Windows nebo Linux (běží nativně na všech třech).
Nastavte si klávesovou zkratku (push-to-talk, výchozí je ⌥Space).
Vyberte si přepisový model.

A pak už to jen používáte: podržíte zkratku, mluvíte, pustíte — a text naskočí tam, kde máte kurzor. Volitelně jde zapnout i AI postprocessing, který přepis ještě uhladí (a na Macu může běžet lokálně přes Apple Intelligence, takže nic neodejde).

Který model používám a proč

Handy vás nechá vybrat ze dvou přepisových modelů: Whisper od OpenAI, nebo Parakeet od NVIDIE. Přepnete je jedním klikem v nastavení.

Já jsem se ustálil na Whisperu Large. Diktuju přes něj do AI úplně každý den a jeho kvalita je pro mě téměř k nerozeznání od placeného Wispr Flow. Na promptování i na běžnou konverzaci s Claude Code nebo jakoukoliv jinou AI to bohatě stačí.

Parakeet vytáhnu, když jde hlavně o rychlost nebo o velký objem textu — je totiž extrémně rychlý.

Parakeet vs Whisper: co jsem naměřil

Proč vůbec sahat po Parakeetu, když je Whisper přesnější? Kvůli rychlosti. Whisper je sice pečlivější, ale relativně pomalý a na tichu nebo šumu se občas „zacyklí" do opakujícího se nesmyslu (klasická halucinace u tohohle typu modelu).

Parakeet (konkrétně NVIDIA parakeet-tdt-0.6b-v3) je menší model, umí 25 evropských jazyků včetně češtiny a je bleskový díky tomu, že při přepisu chytře přeskakuje prázdné zvukové úseky místo toho, aby je krok po kroku přežvykoval. Bonus: je i odolnější proti zacyklení než Whisper.

Nevěřil jsem těm číslům, tak jsem si to změřil sám.

Reálný test: 51 minut videa, Mac Studio M3 Ultra

Vzal jsem 51 minut dlouhé video jedné z lekcí mého kurzu (čeština plná anglických termínů: Claude Code, MCP, GA4) a pustil na něj oba modely za sebou.

Engine	Čas přepisu	Rychlost vs realtime	Slov
Parakeet V3	34 s	~90×	7 144
Whisper Large V3	281 s (4 min 41 s)	~11×	7 759

Parakeet byl 8,3× rychlejší. Padesát minut zvuku přepsal za 34 sekund. To není překlep.

Ale pozor, rychlost není všechno. Když jsem si výstupy přečetl vedle sebe:

Whisper byl znatelně přesnější na běžné češtině i na brandech. Tam, kde Parakeet napsal „pěně" a „tofám", měl Whisper správně „pěkně" a „doufám". Whisper taky chytil „AI First", Parakeet ho občas spolkl.
Parakeet je za to bleskový a (pro AI) plně čitelný. Jen sem tam zahodí slovo a u anglických slov v české větě komolí (z „Claude Code" udělal „klotkodu").
Ani jeden netrefil přesně „Claude Code" nebo „Sklik". Anglická slova v české řeči jsou pro oba kámen úrazu.

Mimochodem, zkoušel jsem i NVIDIA Canary, který je papírově ještě přesnější. Na delším zvuku se mi ale rozsypal do halucinační smyčky („víc, víc, víc…"). Je to attention model jako Whisper, jen náchylnější. Slepá ulička, zatím zůstávám u dvojice Parakeet + Whisper.

Pro náročnější: diktování je jen začátek, workhorse je CLI

Pokud jste běžný uživatel, klidně přeskočte. Tahle část je pro ostřílené vibe codery.

Přepisuju hromady (vysoké tisíce) souborů, které pak cpu do AI systémů. Na to nestačí appka s mikrofonem, na to potřebuju CLI nástroj, který umí Claude Code zavolat sám jako skill.

Mám proto vlastní open-source verzi Whisperu: faborsky/whisper-cz-en. Je to nadstavba nad whisper.cpp, kterou jsem upravil pro svoje potřeby:

Čeština i angličtina přes samostatné skripty, model Whisper Large V3.
Anti-halucinační pipeline: 5minutové chunkování + Silero VAD + vyladěné parametry dekodéru. To je přesně ta obrana proti zacyklení, o které jsem psal výš.
Plně offline, akcelerované na Apple Silicon (Metal GPU).
Výstupy na míru: plynulý text (.md), titulky (.srt) i přepis se slovem po slově a časováním (JSON pro střih videa a titulky).
Agent-friendly: Claude Code ho volá jako skill, ale funguje i samostatně z terminálu.

Je celé veřejné na GitHubu, takže si ho klidně forkněte, nainstalujte podle README a používejte u sebe.

Vedle toho jsem si teď postavil i druhý skill přes Parakeet (běží na MLX, tj. Apple Silicon). Když potřebuju rychlost, jede Parakeet. Když potřebuju přesnost, jede Whisper.

Trik, který zvedne kvalitu víc než výměna modelu

Tohle je pro mě největší zjištění z celého testování. Kvalitu přepisu neřeší volba modelu, ale postprocessing přes AI s glosářem.

Postup: nechám Parakeet bleskově přepsat (90× realtime), a pak ten text proženu jazykovým modelem, kterému dám glosář svých termínů (Claude Code, AI First, Sklik, Supabase, MCP, názvy projektů). Model opraví přesně ty brandy a anglicismy, co netrefí žádný engine.

Z „přípole ke klotkodu" se stane „přiblíží ke Claude Code". A výsledek je na mém typu obsahu lepší než syrový Whisper, přitom pořád super rychlý. A když ten cleanup pustím lokálně, nikam neodejde ani písmenko.

To je celá pointa vibe codingu: neberete nástroje jak jsou, ale skládáte si z nich vlastní pipeline, která sedí přesně na to, co děláte.

Co si z toho vybrat

Chci přepisovat zdarma a mít 100% soukromí: Handy. Na každodenní diktování Whisper Large (kvalita jako Wispr Flow, jen zdarma a lokálně), na rychlost a velký objem Parakeet. Na Macu, Windows i Linuxu.
Chci co největší spolehlivost, případně nenamlouvám jen pro AI, ale i pro lidi, a nevadí mi cloud + platba: Wispr Flow je pravděpodobně správná volba.
Jsem náročný nebo geeky uživatel: Postavím si CLI nástroj (klidně si forkněte moje repo), k tomu nějaký skill a případně i postprocessing s glosářem.

Nejhezčí na tom je, že ta nejlepší volba pro většinu lidí je zároveň ta nejlevnější. Free, otevřená a bezpečná.

Pokud vás baví takhle si skládat vlastní nástroje a chcete se to naučit od základu, přesně tohle učím v kurzu AI First. Žádná teorie, jen postupy, co používám každý den.

Mrkněte na Handy, stáhněte si model a zkuste si nadiktovat první prompt. Dost možná už nikdy nebudete chtít psát. 🎙️

Mohlo by vás zajímat: Přepis audia a videa zdarma (Whisper) na přepis nahraných souborů, Ollama: lokální AI modely v terminálu, Jak jsem se díky AI naučil 70 technologií za jeden rok a Proč je vibe coding nejužitečnější dovednost dneška.