Earnote：本地运行的智能笔记工具，支持Whisper转录与任务生成

在AI笔记工具层出不穷的当下，隐私与订阅制成为许多用户的痛点。Product Hunt上近日出现了一款名为Earnote的开源产品，它试图用「完全本地运行」和「免费开源」来回应这些需求。

核心功能：从录音到结构化笔记的全流程

Earnote的定位是「讲座与会议笔记，在你的设备上书写」。用户只需录制讲座、会议或自己的讲解，Earnote便会调用Whisper模型进行语音转文字，并进一步生成结构化的笔记内容，其中包含任务列表、抽认卡（flashcards）以及一份PDF学习讲义。

整个流程覆盖了从原始音频到可复习资料的完整链路。对于学生和职场人士而言，这意味着一次录音可以同时产出待办事项和复习材料，省去了手动整理的时间。

Whisper是OpenAI于2022年开源的自动语音识别（ASR）模型，采用编码器-解码器Transformer架构，在68万小时的多语言音频上训练。它提供从tiny（约3900万参数）到large（约15.5亿参数）共五种尺寸，支持近百种语言的转录与翻译。Whisper的显著优势在于对嘈杂环境和口音的鲁棒性，且开源权重允许完全离线部署。不过，模型越大精度越高、资源消耗也越大，因此在移动设备上通常需要选用较小尺寸或经量化压缩的版本，这也解释了后文提到的旧设备体验受限问题。

本地优先：隐私与离线可用的双重保障

Earnote最突出的特点是其隐私设计。据官方描述，语音识别完全在iPhone、iPad或Mac上运行，无需将音频上传至云端。在iPhone 15 Pro及后续机型上，甚至连笔记的生成也在设备端完成。

这意味着用户在没有网络的环境下依然可以使用核心功能，同时避免了敏感会议内容外泄的风险。对于经常处理机密信息或注重隐私的用户，这一特性具有相当的吸引力。

设备端AI运行依赖厂商提供的本地推理框架。在苹果生态中，Core ML可将训练好的模型转换为针对Apple Silicon优化的格式，并调用神经网络引擎（Neural Engine）加速；iOS 18及macOS Sequoia起推出的Foundation Models框架则进一步开放了系统内置大模型的端侧调用。这些技术使语音识别和大模型推理无需联网即可完成，但也对芯片算力与内存有明确门槛——iPhone 15 Pro搭载的A17 Pro首次具备运行较大端侧模型的能力，这正是Earnote将设备端笔记生成限定在该机型及后续机型的技术背景。

商业模式：无账户、无广告、无订阅

与主流AI笔记应用不同，Earnote明确承诺「无账户、无广告、无订阅」。产品采用MIT协议开源，用户可以自由查看、修改甚至分发代码。在iPhone和iPad上，开发者提供了一个可选的一次性Pro购买选项，作为对开发工作的支持。

这种模式在当前的AI工具市场中较为少见，尤其是不设账户体系，意味着用户无需提交任何个人信息即可开始使用。

MIT许可证是OSI认可的最宽松开源协议之一，仅要求保留版权声明和许可声明，允许使用者自由使用、修改、合并、发布、再授权甚至商业销售，且不承担担保责任。与GPL的「传染性」不同，MIT不要求衍生作品同样开源，因此Earnote以MIT发布意味着其他开发者可将其代码整合进闭源产品。这种选择降低了采用门槛、利于社区传播，但也意味着原作者无法通过许可证约束商业化行为，项目的可持续性更多依赖一次性Pro购买等自愿支持模式。

社区反馈与市场定位

在Product Hunt上，Earnote获得了75票支持，位列当日第10名，分类为生产力、开源与教育。尽管评论数仅有3条，但排名显示其在开源生产力工具中已引起一定关注。

从竞争格局看，Earnote与Otter.ai、Notta等云端转录笔记工具形成差异。后两者依赖云端处理，提供更强大的协作与同步功能，但需要订阅且存在隐私顾虑。Earnote则瞄准了「本地处理+开源」这一细分市场，适合对数据主权敏感的个人用户。

局限性分析

本地运行也带来一些限制。设备端Whisper模型的转录精度和速度受硬件性能影响，较旧设备可能体验不佳。此外，笔记生成仅在iPhone 15 Pro及更新机型上支持设备端完成，其他设备可能需要依赖云端或功能受限。

作为一款开源项目，Earnote的长期维护和更新频率也取决于开发者社区。目前Product Hunt页面信息有限，实际使用体验和稳定性有待更多用户验证。

结语

Earnote代表了一种回归本地的产品思路：在AI能力唾手可得的时代，将处理过程留在用户设备上，以开源和免费换取信任。对于注重隐私、需要离线可用、且不愿被订阅绑定的用户，它提供了一个值得关注的选择。