Buzz音频转录工具完整使用指南：免费本地语音转文字全流程详解

Buzz音频转录工具完整使用指南：免费本地语音转文字全流程详解

【免费下载链接】buzzBuzz transcribes and translates audio offline on your personal computer. Powered by OpenAI's Whisper.项目地址: https://gitcode.com/GitHub_Trending/buz/buzz

你有没有过这样的经历：一场两小时的会议录音躺在手机里，想整理成文字纪要，却发现自己手动听了整整一个下午；或者想把刚剪好的视频配上字幕，却被在线工具的速度限制和隐私顾虑劝退？

市面上大多数语音转文字服务都依赖云端，把音频上传到别人服务器上，一方面有隐私风险，另一方面要花钱买时长。今天要介绍的Buzz，是一款完全免费、开源的本地音频转录工具，它基于 OpenAI 的 Whisper 模型，能在你自己的电脑上离线完成语音转文字，还附带翻译、说话人识别、实时录音转录、字幕导出等一整套功能。接下来这份指南会从安装开始，带你走完从"打开软件"到"跑通自动化批量转录"的全过程。

Buzz 到底是什么：本地转录的优势拆解

先回答一个最基础的问题：Buzz 和市面上那些"上传音频→在线转文字"的服务有什么本质区别？

一句话概括：它是 Whisper 的桌面化、工程化封装。Whisper 是 OpenAI 开源的语音识别模型，而 Buzz 把它包装成一个普通人也能上手的图形界面程序，同时保留了给开发者用的命令行接口。

本地运行带来的三个直接好处值得强调：

• 隐私安全：音频文件始终留在你的电脑里，不会上传到任何服务器，适合会议纪要、访谈录音等敏感内容。
• 零使用成本：模型免费下载，转录不按分钟计费，转录量再大也不心疼。
• 离线可用：没有网络也能工作，出差、断网环境下照常使用。

同时 Buzz 也支持接入 OpenAI Whisper API 作为云后端，给你多一种选择，不过对于大多数场景，本地转录已经完全够用。

三分钟装好：Windows / macOS / Linux 的安装路线图

安装方式取决于你的操作系统，这里分别给出最短路径。

Windows 与 macOS：直接从 SourceForge 下载对应的安装包（.exe或.dmg）即可。需要提醒的是，Windows 版本的应用程序没有数字签名，首次运行会出现安全警告，选择"更多信息 → 仍要运行"就能继续。

Linux 用户有两种主流安装方式：

# Flatpak 方式 flatpak install flathub io.github.chidiwilliams.Buzz # Snap 方式 sudo apt-get install libportaudio2 libcanberra-gtk-module libcanberra-gtk3-module sudo snap install buzz

开发者 / 追求最新版：如果你喜欢用 pip 管理工具，或者想体验最新的开发构建，可以用 Python 运行：

pip install buzz-captions python -m buzz

想自己编译最新特性，也可以git clone https://gitcode.com/GitHub_Trending/buz/buzz后按 README 指引构建。

第一次转录：从导入音频到拿到字幕的五个步骤

装上软件后，第一次转录其实非常简单，跟着下面这五步走，十分钟内就能看到第一份转写结果。

第一步，导入素材。点击工具栏的加号按钮，或者直接用快捷键 Ctrl/Cmd + O 选择文件。Buzz 支持音频（MP3、WAV、M4A 等）和视频（MP4、AVI 等）格式，还支持一次性导入多个文件批量处理。从 1.2.0 版本开始，粘贴一个 YouTube 链接也能直接转录。

第二步，选任务类型。在任务设置里有两个选项：转录（保留原语言输出）和翻译（将非英语内容转为英文）。只想要中文转写就选"转录"，想顺手翻译成英文就选"翻译"。

第三步，指定语言和模型。语言可以手动指定（Whisper 支持超过 90 种语言），也可以留空让系统自动检测。模型大小从 tiny 到 large 有五个档位，这里给一个快速选择参考：

第四步，按需开启高级选项。界面里还藏着几个很实用的开关：

• 初始提示（Initial Prompt）：把专业术语、人名、产品名写进去，能明显减少专有名词的识别错误。
• 提取语音（Extract Speech）：对嘈杂录音先做人声分离再转录，提升准确率。
• 单词级时间戳：需要精细校对或做逐词高亮时开启。

第五步，运行并查看结果。点击运行按钮，任务列表会实时显示进度百分比，完成后双击任务行就能打开转录查看器。

查看器里可以一边播放音频一边同步高亮当前文字，支持倍速播放和关键词搜索。导出时选择TXT（纯文本）、SRT（视频字幕标准格式）、VTT（网页字幕）或JSON（结构化数据便于程序处理），一个任务可以同时勾选多种格式。

模型与硬件加速：让转录跑得更快的三个关键设置

第一次跑大模型时很多人会抱怨"太慢了"，其实八成是硬件加速没配置好。

NVIDIA 显卡用户：在 PyPI 安装方式下，需要手动安装带 CUDA 支持的 torch 版本，可以参考下面这组命令：

pip3 install -U torch==2.8.0+cu129 torchaudio==2.8.0+cu129 --index-url https://download.pytorch.org/whl/cu129 pip3 install nvidia-cublas-cu12==12.9.1.4 nvidia-cuda-cupti-cu12==12.9.79 nvidia-cuda-runtime-cu12==12.9.79 --extra-index-url https://pypi.ngc.nvidia.com

Apple Silicon 用户：Buzz 原生支持 M 系列芯片优化，装好即用，不需要额外配置。

核显 / 其他 GPU：选择 Whisper.cpp 后端并启用 Vulkan 加速，大多数 GPU（包括集成显卡）都能获得可观的速度提升。

模型管理在"首选项 → Models"标签页完成。可以在界面里直接查看已下载的模型、下载新版本、通过自定义 URL 添加模型，以及删除不需要的模型释放硬盘空间。需要注意的是，大模型的体积从几百 MB 到几 GB 不等，首次下载时要有耐心。

另外，在首选项的通用设置里勾选"Reduce GPU RAM"可以压缩模型占用，显存紧张时建议打开。

会议记录新姿势：实时录音转录与演示模式

除了离线文件转录，Buzz 还内置了实时录音转录功能，让"边开会边出文字稿"成为现实。

点击主界面的麦克风图标进入录音模式，选择输入设备（内置麦克风或外接麦克风），把延迟参数设置在 20-30 秒之间作为平衡点——延迟太短会频繁调用模型导致系统卡顿，太长又会影响实时性。

更贴心的是演示窗口功能：转录内容可以投到独立的演示窗口里，支持全屏显示、自定义字体大小和颜色，特别适合讲座、培训、分享会场景，让在场所有人都能看到实时字幕。

如果你在用 OBS 做直播或录课，可以在首选项里开启"实时转录导出"，Buzz 会把实时生成的字幕持续写入文本文件，OBS 读取该文件就能显示为直播字幕，实测是个很实用的组合。

首选项的通用标签页还有几个值得细看的设置：

• 默认导出文件名模板：支持变量，比如{{ input_file_name }} ({{ task }}d on {{ date_time }})会自动生成带时间戳的文件名，批量处理时非常好用。
• 实时转录显示模式：三种模式可选——"追加到下方"（新内容在底部）、"追加到上方"（新内容在顶部）、"追加并修正"（自动修正上一句末尾的识别错误，但更吃性能）。

字幕精修：让转写结果从"能看"到"好看"

Whisper 直接产出的字幕段落往往长短不一，有的句子太长需要手动拆分，有的片段又碎又零散。Buzz 的字幕调整功能就是用来解决这个问题的。

打开转录查看器里的调整面板，你会看到几个核心控制项：

• 期望字幕长度：设定每行字幕的目标字符数，默认 42 字符。快速对话场景可以调小，让字幕更易读；演讲类内容可以调大，减少换行打断。
• 按间隙合并：把时间间隔小于设定值（默认 0.2 秒）的片段合并成一句，消除碎片化。
• 按标点分割：用句号、逗号等标点把超长句子切成符合长度的片段。
• 按最大长度强制分割：兜底规则，保证任何一行字幕都不超过指定长度。

这套功能的典型用法是：先"按间隙合并"清理碎片，再"按标点分割"处理长句，最后用最大长度限制兜底，三步下来字幕节奏就自然多了。

插件系统：给转录流水线加装能力

从 1.4.5 版本开始，Buzz 引入了插件系统，可以在不改动核心代码的前提下扩展转录流程。通过"帮助 → 插件"菜单打开管理面板，可以启用/禁用插件、拖拽调整执行顺序，也能通过 URL 安装社区插件。

当前内置的六个插件覆盖了相当实用的场景：

• AI 摘要：转录完成后调用 OpenAI 兼容接口生成内容摘要，存入备注字段或独立的文本文件。
• 增强语言检测：转录前先用本地小模型自动判定语言，适合处理语言未知的文件。
• 导出 DOCX：一键把转录结果导出为 Word 文档，可选是否包含时间戳。
• 转录调整：自动把单词级时间戳重组为符合字幕规格的段落，配合上面的字幕调整功能使用。
• DeepFilterNet 降噪：转录前用 DeepFilterNet 模型去除背景噪音，降噪音频会存为新文件，默认转录完自动删除，也可以在插件设置里保留。
• 跳过已转录文件：检测到同目录下已有同名结果文件（或数据库已有该文件的转录记录）时自动跳过，不再重复跑模型。重新导入文件夹或使用文件夹监控时，这个插件能帮你省下大量重复计算。

命令行自动化：把批量转录写进脚本

如果你手头有几十个文件要处理，或者想把转录流程接入自己的自动化脚本，Buzz 的命令行接口（CLI）比图形界面高效得多。

最基础的用法是指定任务、语言和模型：

# 用 medium 模型转录中文文件 buzz add --task transcribe --language zh --model-type whisper --model-size medium lecture.mp3 # 批量转录当前目录所有 mp3 buzz add --model-type whispercpp --model-size small *.mp3 # 将法语文件翻译成英语 buzz add --task translate --language fr --model-type openaiapi french_audio.mp3

输出格式和目录同样可控：

# 同时导出 SRT 和 TXT，并指定输出目录 buzz add --task transcribe --srt --txt --output-dir ./transcripts audio_files/*.mp3 # 开启单词级时间戳并隐藏 GUI 后台运行 buzz add --task transcribe --word-timestamps --hide-gui batch/*.wav

配合--prompt传入初始提示词、--extract-speech开启语音分离，命令行能覆盖图形界面的绝大部分能力。需要说明的是，CLI 的相关实现位于buzz/cli.py，想深挖参数细节可以直接看这个文件。

易踩的坑与最佳实践清单

最后汇总几条过来人的经验，帮你少走弯路。

转录准确率不高怎么办？

• 优先手动指定语言，不要依赖自动检测——尤其是带口音或背景噪音的音频。
• 在初始提示里写下专业术语和人名，效果立竿见影。
• 音频本身噪声大时，启用语音分离或 DeepFilterNet 降噪插件。
• 实在不行再升级模型，medium 通常就是性价比最好的档位。

转录太慢怎么办？

• 优先启用 GPU 加速（CUDA / Apple Silicon / Vulkan）。
• 实时场景用 tiny 或 base 模型，不要指望 large 能实时。
• 内存紧张时开启 Reduce GPU RAM 选项。

文件夹监控：如果你有固定来源的录音（比如每周的例会录音统一丢进某个文件夹），可以在首选项的 Folder Watch 标签页设置监控目录，Buzz 会自动检测新文件并转录，配合"跳过已转录文件"插件，实现真正的无人值守流水线。

到这里，从安装配置、单文件转录、实时录音，到字幕精修、插件扩展、命令行自动化，Buzz 的核心能力已经完整覆盖。无论你是想给视频配字幕的内容创作者，还是需要整理录音的研究者，或是想自动化转录流程的开发者，Buzz 都值得放进工具箱——毕竟，一个免费、离线、隐私安全的本地语音转文字工具，正是很多人一直在找的答案。

【免费下载链接】buzzBuzz transcribes and translates audio offline on your personal computer. Powered by OpenAI's Whisper.项目地址: https://gitcode.com/GitHub_Trending/buz/buzz