近日，播客应用 Overcast 的开发者 Marco Arment 选择自建一个由 48 台 Mac mini 组成的服务器集群，来应对云端 AI 服务所带来的高昂成本。Arment 指出，使用云端 AI 服务进行播客转录的费用按次计费，随着业务量的增加，每日支出可能高达数千美元，这让他不得不寻求更加经济实惠的解决方案。

在这 48 台 Mac mini 中，Arment 利用 Apple Silicon 芯片的能效和统一内存的优势，运行本地的语音识别模型，从而绕过了云端服务的高昂费用。他认为，尽管前期硬件投入较大，但后续的运营成本更加可控且可预测，这样一来就有效解决了随着业务量线性增长而带来的成本压力。

从技术实现上来看，整个转录过程依靠后端的 Mac mini 集群，通过分布式架构进一步提升处理效率。Arment 还特别强调了苹果芯片在执行语音识别等推理任务中的优越性能，尤其是在能效比和统一内存方面的优势。

在播客分发过程中，动态广告插入技术使得不同听众接收到的音频存在差异，这增加了转录对齐的难度。为了克服这一挑战，Arment 采用了音频指纹识别和去重技术，系统能够生成一份基准转录文本并将其映射到多个版本上。这种方法不仅保证了转录的一致性，还避免了重复计算，进一步提高了工作效率。

这一创新性的举措不仅展示了开发者的技术能力，同时也为其他类似业务提供了新的思路，让他们在面对高昂的云端服务费用时找到更加可行的解决方案。

划重点：

Arment 自建 48 台 Mac mini 集群，避免了云端 AI 服务的高昂费用。  

本地运行语音识别模型使得运营成本更加可控。  

采用音频指纹识别和去重技术，提高转录效率与一致性。