在本地免费把语音转成文字，这款开源转录工具一次跑通

在本地免费把语音转成文字，这款开源转录工具一次跑通

【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

很多人以为，把一段录音变成工整的文字稿，要么花钱订阅云服务，要么忍受漫长的等待。Buzz 改变了这个局面——它是一款完全离线、开源免费的个人电脑转录工具，基于 OpenAI 的 Whisper，把语音转文字这件事交给你的电脑自己完成。录音不离开设备，速度取决于你的硬件，成本为零。本文带你从安装到导出第一份文字稿，把这条路径完整走一遍。

Whisper 到底在干什么

先抛开技术名词。想象一位只在你家办公的翻译员：你把采访录音、会议录像递给他，他当场听写、当场交稿，材料从不带出家门，也从不收你按分钟计费的钱。Whisper 就是这位翻译员的大脑，Buzz 则是雇他上班的那间办公室。

具体到工程层面，Whisper 是 OpenAI 开源的语音识别模型，Buzz 把它封装成了一个图形界面软件。你不必接触任何模型代码，只需点几下鼠标，就能让模型"听"一段音频，输出带时间戳的文字。它同时支持纯音频和视频文件，也支持从麦克风实时收音。

这套方案解决的核心问题有两个：隐私——敏感内容不出本机；成本——模型推理所需的算力由你的电脑承担，没有按次计费的账单。

一个播客主播的转录账本

做播客的朋友小林，每期节目一小时，过去都外包给转录服务。单期花费一百多元，交付要等一到两天，遇到口音重的嘉宾还要返工。他算过一笔账：一年五十期节目，光转录就烧掉近六千元，还不算沟通成本。

小林先是抱着试试看的心态装了 Buzz，用一台三年前的笔记本跑完一期节目，用时四十分钟，准确率虽然偶尔需要手动修补，但整体可用。后来他换用 Faster Whisper 引擎重跑同一期，耗时压缩到十几分钟，错字也明显变少。

现在他的流程是：录完音直接拖进 Buzz，选好模型挂机，泡杯咖啡回来就能校对。省下的钱够买两套麦克风，省下的时间够多剪一期节目。这不是什么戏剧性的反转，只是把一件高频、费钱、被云服务定价的事，变成了本地的一次性算力投入。

动手实践：从安装到拿到第一份文字稿

装好：三选一的安装方式

Buzz 覆盖 Windows、macOS、Linux。最省事的方式是直接从项目发布页下载对应系统的安装包，双击完成。喜欢命令行的朋友也可以走 PyPI：

pip install buzz-captions python -m buzz

第一条命令负责把软件装进环境，第二条命令启动图形界面。窗口弹出后，任务列表是空的，你的转录之旅从这里开始。

配好：两份关键的偏好设置

首次使用前，值得打开菜单里的偏好设置，把两项改好：一是字体大小，转录文本密密麻麻，调大一点校对更轻松；二是默认导出文件夹，免得每次保存都翻目录。偏好设置界面里还预留了 OpenAI API 密钥入口，如果你想走云端兼容接口（比如 Groq），在这里填上即可；纯本地用户跳过这一步。

紧接着要面对的问题是用哪个模型。Buzz 默认把模型分成几个档次，小到 Tiny（几十 MB）快到秒级出稿，大到 Large（近 3 GB）精度更高、耗时更长。首次使用建议先用 Small 起步，跑通流程后再根据速度和准确率做取舍。模型管理界面里可以一键下载、随时切换，也可以在"自定义模型"里填入你从社区找到的专用模型地址。

跑通：让第一个文件说话

点击工具栏上的加号，选一个音频或视频文件。Buzz 支持 mp3、wav、flac 等常见音频，也支持 mp4、mkv、avi 等视频格式，还能直接粘贴 YouTube 链接。接着选择语言——可以手动指定，也可以留空让模型自动识别。点击"运行"，任务就会进入队列。

任务完成后双击它，进入转录查看器：每一行文字都带起始时间，底下还有视频播放器，点哪句播哪段，校对体验相当顺手。

导出时按需选格式：TXT 适合直接贴进笔记，SRT 和 VTT 是主流字幕格式，拖进剪辑软件或视频平台就能用。

容易被忽略的四个实用功能

文件夹监控。在偏好设置里指定一个文件夹，之后只要往里扔音频文件，Buzz 就会自动开始转录。批量整理访谈素材的人会非常喜欢它——最需要它的是每天接收大量录音的助理岗位。

初始提示。添加字幕前，在高级设置里写几句专有名词或人名，比如公司名、产品名、医学术语，模型会优先按这些词听写。最需要它的是律师、医生这类术语密集的行业从业者。

字幕自动整理。原始转录的行长往往参差不齐。Buzz 提供按时间间隙合并、按标点分割、按最大长度拆分三种规则，一键让字幕长度更均匀、更适合阅读。最需要它的是给视频配双语字幕的剪辑师。

演示窗口。实时转录时开启演示模式，可以把文字稿放大铺满全屏，做讲座记录或会议投影都合适。最需要它的是培训讲师和活动策划。

新手高频问题快答

问：一小时音频，我的电脑要跑多久？答：取决于模型和硬件。Tiny 或 Base 模型在普通笔记本上接近实时甚至更快，Large 模型则可能花上数倍时长。想让速度上一个台阶，优先看这两点：有 NVIDIA 显卡就选 Faster Whisper 引擎；Whisper.cpp 引擎支持 Vulkan 加速，非 NVIDIA 显卡也能受益。

问：口音重、背景吵，准确率怎么救？答：先手动指定语言，别依赖自动检测；再用初始提示写进人名地名；最后考虑换更大一号的模型。Buzz 还有语音分离能力，可以在转录前把人声从噪声中抽出来，嘈杂的会议录音值得一试。

问：所有模型都必须在本地跑吗？答：不是。Buzz 也支持 OpenAI 兼容的云端接口，用 API 密钥走线上推理。本地模型的好处是免费且不联网，云端模型的好处是不吃本机算力，按需选择即可。

问：Windows 上没有独立显卡能用吗？答：能。Whisper.cpp 在纯 CPU 上也能运行，只是慢一些。对大多数一两小时的访谈，挂机等一会儿完全可接受。

你的第一步清单

• □ 下载对应系统的安装包，或执行pip install buzz-captions
• □ 用 Small 模型跑通第一个音频文件，确认输出格式
• □ 在偏好设置里定好导出文件夹和字体大小
• □ 导出一份 SRT 字幕，拖进剪辑软件验证效果
• □ 挑一段带术语的录音，试试初始提示对准确率的改善

Buzz 的价值不在于它有多炫，而在于它把"语音转文字"变成了一件可以随时在本机发生、不依赖网络和付费墙的日常小事。装上它，录一段自己的语音试一次，你会立刻理解这份稳妥感从哪来。

相关链接

• 官方文档：docs/docs/
• 核心转录模块：buzz/transcriber/
• 设置模块：buzz/settings/

【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