2025 离线语音转文字终极方案：Buzz 从入门到精通的完整实操指南

2025 离线语音转文字终极方案：Buzz 从入门到精通的完整实操指南

【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

你手里囤了多少录音迟迟没整理？会议纪要、采访素材、网课回放，每一条都是信息金矿，可一条条手动听写，一小时音频往往要耗掉你三小时。Buzz 就是为这个痛点而生的开源工具：它基于 OpenAI Whisper，能在你自己的电脑上离线完成语音转文字与翻译，音频不出本机，隐私和效率同时拿到手。这篇文章用一个完整的使用者故事串起全部流程，带你从第一次点下"运行"按钮，一直走到能用命令行和插件搭建自动转录流水线。

一、痛点开场：为什么我放弃了云转写服务

把录音传到云端网站转文字，你是不是也踩过这些坑：免费额度用几次就见底；敏感内容不敢上传；网络一差排队等半天；更有甚者，上传完才发现它偷偷用了你的音频去训练模型。我在整理几十期播客素材时几乎被这些坑耗尽耐心，直到意识到问题的本质——转写这件事，根本不该依赖云端。

Buzz 恰好把整条 Whisper 转录管线搬到了本地：模型下载到你的硬盘，音频在内存里完成识别，全程零上传。它对隐私敏感人群、网络不稳定用户、以及每周都要处理大量录音的重度用户，几乎是量身定做的方案。而且它不止处理文件，还能实时转录麦克风声音、识别说话人、导出字幕、接入插件扩展，一整套下来比大多数付费服务还全面。

二、初识工具：把 Buzz 想成"自带同传的本地整理助手"

如果要用一句话说清 Buzz 是什么：它是一位 7×24 小时在线的本地同传译员，把你的语音内容变成可检索、可编辑、可导出的文字资产。你丢给它一段音频或视频，它吐出带时间轴的文稿；你打开麦克风，它边听边写；你要外语材料，它顺手翻成英文或你指定的语言。

它的独特之处在于"选择自由"。大多数转写工具只给你一个黑盒，而 Buzz 把引擎的选择权交给你：Whisper 官方实现、C++ 优化的 Whisper.cpp、速度翻倍的 Faster Whisper、Hugging Face 上的任意 Whisper 兼容模型（包括支持上千语言的 Meta MMS、Parakeet、Qwen3-ASR），甚至 OpenAI API。这意味着从四核老笔记本到 Nvidia 显卡工作站，人人都能找到适合自己的档位。

三、快速起步：5 步完成你的首次离线转录

安装 Buzz 的方式很多，按你的平台挑一个即可。

🔧Windows 用户：下载.exe安装包，安装时若出现"未签名"警告，选择"更多信息 → 仍要运行"即可（这是开源免费应用的常态，不代表不安全）。

🔧macOS 用户：下载.dmg拖入 Applications 完成安装。

🔧Linux 用户：Flatpak 或 Snap 二选一：

# Flatpak flatpak install flathub io.github.chidiwilliams.Buzz # 或 Snap sudo apt-get install libportaudio2 libcanberra-gtk-module libcanberra-gtk3-module sudo snap install buzz sudo snap connect buzz:password-manager-service

🔧Python 用户：直接走 PyPI，需要 Python 3.12 环境且已安装 ffmpeg：

pip install buzz-captions python -m buzz

装好后，按下面 5 步完成首次转录：

1. 导入文件：菜单栏 File → Import Media File（或快捷键Ctrl/Cmd + O），选择一个音频或视频文件，也可直接粘贴 YouTube 视频链接或任意 URL。
2. 选择任务：默认"Transcribe"就是纯转写；若想要英文输出，选"Translate to English"。
3. 选择语言：能确定就手动指定语言（如 zh），不确定就留"Detect Language"自动检测。
4. 选择模型：首次使用选 Whisper.cpp 组的 tiny 或 base 模型，体积小、跑得快，先跑通流程再说。
5. 点击 Run 并等待：任务状态变为 Completed 后，双击该行即可在转录查看器中打开结果。

成功判断标准：任务状态由 In Progress 变为 Completed，双击后能看到带时间戳的逐段文稿，且可点击播放按钮试听音频与文字是否对应。到这一步，你的第一条离线转录已经完成。

四、核心玩法拆解：3 个典型场景的推荐配置

工具只有放进真实场景才有意义。下面三个场景几乎覆盖了 90% 的日常需求。

场景一：课程与采访的长音频文件转录——先选对模型

这是最常用的场景，核心矛盾是速度与精度的取舍。用下面的决策树直接对号入座：

不同体积模型的实际表现差异很大，可以记下这张表：

⚠️ 注意：带.en后缀的模型只支持英文，转中文时别选错。Whisper.cpp 支持 Vulkan GPU 加速，集成显卡笔记本也能受益；Faster Whisper 则适合有 6GB 以上显存 Nvidia 显卡的用户。

场景二：会议与演示的实时转录——打开演示窗口

如果你需要边开会边出文字，Buzz 的实时录音转录能直接接上麦克风。建议用小模型（tiny/base）+ Whisper.cpp 后端保证低延迟，并手动指定语言——自动检测会消耗更多算力。

三个直播转录模式按需选择：

• Append below / Append above：新句子追加到底部或顶部，轻量稳定，适合普通会议；
• Append and correct：在追加的同时回头修正前文，准确率更高但更吃性能，注意观察队列长度，积压过多就调大"Transcription step"。

录起来之后，点开Presentation Window，主屏幕给观众看、你这边继续操作，非常适合演讲和课堂场景。开启"Live transcript exports"后，实时文稿会同步写入文本文件，可直接对接 OBS 做直播字幕。

场景三：外语素材的转录与翻译——一条命令打通

Buzz 默认的 Translate 任务把任何语言翻成英文（这是 Whisper 的原生能力）。如果你想翻成中文或其他任意语言，就需要借助 AI 翻译：在偏好设置里填入 OpenAI 兼容 API 的 Key 与 Base URL（本地可用 Ollama 或 LM Studio 起一个兼容服务），然后在翻译指令里写明目标语言与规则。

You are a professional translator, skilled in translating English to Chinese. You will only translate each sentence sent to you into Chinese and not add any notes or comments.

把这段指令填进"Instructions for AI"后，在转录查看器工具栏点 Translate 即可把已识别文稿批量翻译。实测一小时音频用 API 翻译的成本约 1 美元，比自己逐句整理划算得多。

五、进阶技巧：让效率翻倍的 6 个隐藏能力

基础流程跑通后，下面这些技巧能让你从"能用"跨到"好用"。

1. 说话人识别，自动分清谁在说话

转录完成后，在查看器点Identify speakers，Buzz 会分析音频给每句话打上说话人标签。你可以随机试听某人的 10 秒片段来确认身份，再把自动标签改名成真实姓名；勾选"Merge speaker sentences"还能把同一人的连续句子合并为一段。注意：Intel 芯片的 macOS 不支持此功能。

2. 初始提示词，专治人名和术语拼错

导入文件时点Advanced，在 Initial prompt 里写下本期出现的人名、地名、专业术语。Whisper 会优先按这些词匹配，能显著减少错别字。做技术类播客时，我会把嘉宾姓名、公司名、产品名全填进去，错词率肉眼可见地下降。

3. 词级时间戳 + 字幕重排，一键生成专业字幕

导入时开启Word-Level Timings，转录会记录每个词的精确时间。之后在查看器点Resize，就能按"单条字幕最大字数""是否按标点断句""是否按静音切分"自动重组成适合视频的字幕。若源音频还在，重组时还会分析静音段，让断句位置更自然。

4. 命令行转录，把流程交给脚本

不想开图形界面？Buzz 提供完整 CLI。批量翻译两个法语 MP3：

buzz add --task translate --language fr --model-type openaiapi /path/to/first.mp3 /path/to/second.mp3

用 Whisper.cpp 转录 MP4 并直接导出 SRT 与 VTT 字幕：

buzz add --task transcribe --model-type whispercpp --model-size small \ --prompt "My initial prompt" --srt --vtt /path/to/video.mp4

加上--hide-gui参数可完全后台运行，适合写进 cron 定时任务。完整参数说明见项目内文档 docs/docs/cli.md。

5. 文件夹监听，新文件进来自动转录

在偏好设置或工具栏中开启 Watch folder，指定一个文件夹后，丢进去的任何新音频都会被自动排队转录。配合"Skip Already Transcribed"插件，批量重导一个已转过的文件夹也不会重复烧算力——该插件会先检查同目录是否已有.txt/.srt/.vtt结果文件或数据库中的完成记录。

6. 插件扩展，把转录结果直接变成成品

插件系统（1.4.5 起）让 Buzz 管线可插拔。内置的实用插件值得逐个试一遍：

• AI Summary：用 OpenAI 兼容 API 自动生成转录摘要，存入笔记字段或单独存成 txt；
• Export to DOCX：一键把转录导出为 Word 文档，可选带时间戳；
• DeepFilterNet Noise Reduction：转录前先用深度学习模型降噪，嘈杂录音救星；
• Enhanced Language Detection：用本地小模型预先判断语言，替代不稳定的自动检测。

插件管理入口在 Help → Plugins，也可以从源码 buzz/plugins/ 学习结构后自己写一个。若想深度参与，克隆仓库地址为https://gitcode.com/GitHub_Trending/buz/buzz。

六、避坑指南：新手最常踩的 5 个坑

按"现象 → 原因 → 判断依据 → 解决办法"把常见问题一次讲清。

坑 1：转录慢得离谱

• 现象：一分钟音频转了好几分钟。
• 原因：模型选得过大，或线程数没调好。
• 判断依据：任务管理器里 CPU 长期低于 50%，说明并行没吃满。
• 解决办法：换成 Whisper.cpp 小模型；设置环境变量BUZZ_WHISPERCPP_N_THREADS=8（官方测试 16 线程笔记本上设 8 能提速约 15%，但线程数并非越大越好，过多反而因合并结果变慢）。

坑 2：录音时报Unanticipated host error[PaErrorCode-9999]

• 现象：一点录音按钮就报错。
• 原因：系统阻止了 Buzz 访问麦克风。
• 判断依据：其他软件录音正常，只有 Buzz 报 9999。
• 解决办法：Windows 在 设置 → 隐私 → 麦克风 中允许 Buzz 使用麦克风，macOS 在系统设置中授权，之后重启 Buzz。

坑 3：Buzz 启动即崩溃

• 现象：打开就闪退。
• 原因：模型下载不完整或文件损坏。
• 判断依据：崩溃通常发生在模型加载阶段。
• 解决办法：在 Help → Preferences → Models 里删除对应模型重新下载；仍崩溃就点 Help → About Buzz → Show logs 查看日志定位问题。另外请注意，Buzz 需要 CPU 支持 AVX2 指令集，太老的电脑跑不起来。

坑 4：中文识别一堆错别字

• 现象：标点乱飞、同音字错得离谱。
• 原因：用了.en模型，或没指定语言让自动检测猜错了。
• 判断依据：转录文本是英文模型输出风格。
• 解决办法：选不带.en的模型，并在导入时手动把语言指定为 zh，同时用 Initial prompt 填专有名词。

坑 5：想完全离线用，但没网络下载模型

• 现象：断网环境下无法转录。
• 原因：模型还没下到本地。
• 解决办法：在联网电脑上把模型下载好，然后整目录拷贝过去。模型默认位置：Linux 在~/.cache/Buzz，macOS 在~/Library/Caches/Buzz，Windows 在%USERPROFILE%\AppData\Local\Buzz\Buzz\Cache。项目还提供了 scripts/download-models.py 帮你批量预下载模型缓存。

七、实战复盘：从零到交付一集带字幕的播客

把前面所有技巧串成一次完整交付。假设我要处理一集 45 分钟的中文播客，嘉宾是外企 CTO，最终交付物是"带说话人标签的文稿 + 双语字幕 + 摘要"。

1. 安装与准备：Snap 安装 Buzz，进 Preferences → Models 下载 Whisper.cpp 的 small 模型（约 460MB），同时把BUZZ_FAVORITE_LANGUAGES=zh,en写入启动脚本，让语言列表里中英文排在最前。
2. 导入与参数：Ctrl+O导入 MP3，任务选 Transcribe，语言手动指定 zh；在 Advanced 里开启 Word-Level Timings，并填好初始提示词：嘉宾姓名、公司名、本集涉及的三个产品名词。
3. 转录：选 Whisper.cpp + small，点击 Run。45 分钟音频在四核笔记本上大约 20 分钟出稿。
4. 说话人识别：双击打开结果，点 Identify speakers，试听片段后把"Speaker 1"改为主播、"Speaker 2"改为嘉宾姓名，勾选合并连续句段。
5. 字幕重排：点 Resize，设定单条字幕最长 20 字、按标点断句，Buzz 依据静音自动优化断点，导出 SRT 用于视频剪辑，同时导出带时间戳的 VTT。
6. 摘要生成：启用 AI Summary 插件，填好 OpenAI 兼容 API，自动生成这集播客的要点摘要，存入 Notes 字段。
7. 交付：文稿 TXT 发给文字编辑，SRT/VTT 进剪辑软件，摘要直接作为节目简介发布。

整条流水线里，真正需要你手工介入的只有第 4 步的说话人命名。如果这集播客每周固定一期，把第 1、6 步的配置写进同一个启动脚本，再把导入目录设为监听文件夹，之后的每一期都只需"丢文件 → 等结果"。

八、收尾升华：让语音资产真正属于你自己

回头看，Buzz 解决的远不止"录音转文字"这一件事，它把整条"语音 → 文字 → 结构化内容"的链路交还到了你手里：离线运行守住隐私底线，多后端模型适配任何硬件，命令行与插件系统让流程可以被自动化，说话人识别和字幕重排则把"能看的文稿"升级成"能直接交付的成品"。

项目本身仍在快速演进——从 1.4.5 引入插件体系，到 1.5.0 支持 Parakeet、Qwen3-ASR 等更多模型家族，翻译能力也从单一英语扩展到任意语言，路线图上还有更多本地 AI 能力的想象空间。如果你想继续深入：安装细节看 docs/docs/installation.md，偏好与全部环境变量看 docs/docs/preferences.md，插件源码在 buzz/plugins/，遇到问题可先翻 FAQ 文档 docs/docs/faq.md。从今天第一段录音开始，把整理语音的时间还给真正重要的事吧。

【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