免费离线语音转文字完整指南：用 Buzz 在电脑本地把录音变成文字
项目地址: https://gitcode.com/GitHub_Trending/buz/buzz 深夜十一点，记者小周盯着电脑屏幕发愁：白天采访了三个小时，受访者唯一的要求是"这段录音绝不能上传到任何云端"。传统在线转录工具全都指望不上了，三个小时的语音要怎么变成能搜索、能引用的文字稿？他需要的其实是这样一款软件——装在本地、不联网、识别够准、还能免费无限次使用。而 Buzz，正是一个把 OpenAI 的 Whisper 语音模型装进个人电脑桌面的开源工具，专门解决"离线语音转文字"这件事。
录音不能上传云端？Buzz 就是为"本地处理"而生的
很多人第一次接触转录工具，脑子里想到的都是"上传文件→云端排队→下载结果"。这条路确实省事，但有两个绕不开的坑：一是隐私，会议录音、采访素材、医患对话这类内容一旦上传，就等于把控制权交了出去；二是成本，按分钟计费的云端服务，处理几个小时的音频往往要花掉一笔不小的钱。
Buzz 选择了完全相反的路线：所有转录计算都在你的电脑上完成。只要模型文件下载过一次，之后的处理全程断网可跑。你获得的是三重自由——
- 隐私自由：音频文件从头到尾不离开你的硬盘，敏感素材可以放心处理；
- 成本自由：一次安装、终身免费，处理 10 个文件和处理 1000 个文件的价格都是零；
- 速度自由：本地算力只归你自己调度，没有网络排队，也没有"上传一个大文件要等半小时"的焦虑。
对律师、记者、学生和内容创作者来说，这三条每一条都可能是刚需。
十分钟跑通第一次转录：从安装到出稿
好消息是，Buzz 的安装门槛低到几乎可以忽略，Windows、macOS、Linux 三大平台都有现成的安装包。Linux 用户可以走 Flatpak 或 Snap；习惯命令行的开发者一行命令也能搞定：
pip install buzz-captions
python -m buzz
装好之后，第一个转录任务只需要四步：
- 导入文件：点左上角的加号，把音频或视频文件拖进来，甚至可以直接粘贴 YouTube 链接；
- 选模型：按自己的硬件水平挑一个 Whisper 模型，拿不准就先选默认的小模型；
- 定参数：指定语言（不指定就自动识别）、选择"转写"还是"翻译"任务；
- 点运行：看着任务状态从排队、进行中一路变成"完成"，然后导出文字。
主界面就像一个"转录车间"，所有任务的排队、进度、耗时一目了然。多个文件可以一次性导入，系统自动排队处理，你完全不需要在旁边盯着。第一次跑通之后，很多人都会惊讶：原来本地转录比想象中快这么多。
转录只是起点：校对、时间轴与字幕导出一体化
拿到一份满屏文字稿，只能算完成了三分之一的工作。Buzz 内置的转录查看器才是真正提升效率的地方，它把"校对"和"编辑"两件事整合在了同一个界面里：
- 逐句校对：每个文本段都带精确的时间戳，你可以直接在表格里修改识别错误的字词；
- 播放联动：点任意一句，视频或音频就跳到对应位置，边听边改，改起来有的放矢；
- 搜索定位：长录音动辄上万字，按关键词搜索能瞬间跳到目标段落；
- 速度调节：回听时可以放慢或加速，不用反复拖动进度条。
更实用的是导出能力。Buzz 支持 TXT、SRT、VTT、JSON 等多种格式，其中 SRT 和 VTT 可以直接丢进剪辑软件当字幕用。也就是说，一段视频从"有声音没字幕"到"带字幕可分发"，在 Buzz 里一条龙就能完成。它还内置了字幕长度调整工具，能按标点拆分过长的句子、按时间间隙合并碎片化的短句，让字幕读起来更接近人的自然节奏。
实时录音转文字：开会、采访的随身速记
如果说文件转录解决的是"事后整理"，那实时转录解决的就是"当场记录"。Buzz 支持从麦克风实时采集语音并同步转成文字，特别适合几个场景：
- 开会：会还没开完，纪要已经生成了一半；
- 采访：聊着聊着，重点内容已经同步呈现在屏幕上；
- 演讲或课堂：打开演示窗口，把实时文字投到大屏幕上，现场观众看得清清楚楚。
实时转录同样可以开启翻译模式，对方讲英语，屏幕上同步出中文，跨语言沟通的障碍就这样被悄悄抹平了。你还可以调整延迟参数，在"出字速度"和"识别准确率"之间找到自己的平衡点。
模型怎么选：把硬件性能用到极致
Buzz 最贴心的设计，是它没有逼着所有用户用同一套配置。它把 Whisper 家族模型分成了清晰的梯度，你的硬件水平决定你该选哪一档：
| 模型 | 体积 | 速度 | 准确率 | 适合谁 |
|---|---|---|---|---|
| Tiny | 最小 | 最快 | 一般 | 老电脑、临时应急 |
| Base | 小 | 快 | 尚可 | 日常快速转写 |
| Small / Medium | 中 | 中等 | 良好 | 大多数人的均衡之选 |
| Large | 大 | 慢 | 最佳 | 专业转录、重要内容 |
在模型管理界面里，你可以直观地看到哪些模型已下载、哪些待下载，点击按钮即可拉取，还能接入 Hugging Face 上的自定义模型。
硬件加速方面，Buzz 也没有偏科：NVIDIA 显卡走 CUDA、Mac 的 M 系列芯片有原生优化、大多数 GPU（包括核显）都能用 Vulkan 加速。哪怕你只有一台纯 CPU 的老笔记本，也能用小模型流畅跑起来。选模型的基本原则只有一条：先小后大——小模型确认流程没问题，再换大模型追求更高质量的稿子。
让转录自动化：批量、监视文件夹与插件
转录这件事，一旦顺手，就会想让它更省心。Buzz 为此准备了三件"懒人神器"：
文件夹监视。指定一个文件夹，之后凡是丢进去的新音频文件都会自动开始转录。比如你每周固定把访谈录音丢进某个目录，系统会默默帮你全部转好，取结果时直接打开文件夹就行。
命令行接口。对喜欢脚本化操作的用户，Buzz 提供了 CLI，一条命令就能批量处理整个目录：
python -m buzz transcribe 访谈/*.mp3 --model base --language zh
插件系统。Buzz 支持按需扩展功能：转录完成后自动生成 AI 摘要、把结果导出成 Word 文档、增强语言检测精度、跳过已处理过的文件……想要什么能力，装对应插件即可，不必为用不上的功能买单。
常见疑问与下一步行动
- 转写一小时音频要多久？ 取决于模型和硬件。中等配置电脑用 Base 模型大约 10–15 分钟，用 Tiny 模型会更快，换成 Large 模型则要多花些时间。
- 支持哪些文件格式？ MP3、WAV、FLAC、M4A、OGG 等常见音频，以及 MP4、AVI、MKV 等视频都能处理。
- 完全不用联网吗？ 转录本身全程离线，只有在首次下载模型时才需要网络。
- 支持多少种语言？ Whisper 家族支持超过 99 种语言，还可以做跨语言翻译。
如果你想亲自上手，建议从一段两三分钟的短录音开始，用 Base 模型跑一遍完整流程，感受一下"本地转录"到底有多顺滑。然后把 Buzz 的源码仓库保存下来，留意它的更新动态——这个项目一直在迭代，新的后端、新的插件不断加入。
记住一句话：音频数据掌握在自己手里，才是真正的隐私自由。Buzz 用完全离线的处理方式，把专业级的语音识别能力搬到了你的桌面上，免费、快速、可靠。它也许不会替你做采访，但能让你从逐字敲键盘的苦差事里彻底解放出来。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
