用Buzz实现离线语音转文字：从第一次安装到导出字幕的完整上手手册

用Buzz实现离线语音转文字：从第一次安装到导出字幕的完整上手手册

【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

上周，一位做口述史采访的记者朋友找我诉苦：一个月攒下20多小时访谈录音，外包转文字花了近千元，还不敢把涉及隐私的素材发出去。我当场给他装了Buzz——一款完全跑在本地电脑上的离线语音转文字工具，底层用的是 OpenAI 开源的 Whisper 模型。装好后断网也能用，转录、翻译、导出字幕一气呵成，关键是一分钱都不用花。

这篇文章我会用自己实测的完整流程，带你从安装一路走到导出字幕，并把新手最容易卡住的地方全部标出来。

一、一个被录音折磨的真实场景

我的另一位朋友是独立视频创作者，做一档访谈类节目。她每周要处理 3 个小时的采访素材，之前的工作流是这样的：

1. 把录音传到某云服务；
2. 等它转出文字；
3. 手动逐句校对（因为错误不少）；
4. 再自己做字幕时间轴。

结果每月账单多出一笔订阅费，还总担心素材外泄。直到她换了本地方案，整个流程缩到 40 分钟以内，而且素材自始至终没有离开过她的电脑。

这正是 Buzz 想解决的问题：把专业的语音转文字能力，免费、私密地放到你的设备上。

二、先认识它：Buzz 到底能替你做什么

与其听我长篇大论，不如先看一张清单。Buzz 的能力可以概括为这么几件事：

• 音频转文字：MP3、WAV、M4A 等常见音频格式都能处理；
• 视频提取转写：MP4、AVI、MKV 等视频文件直接导入，自动抽音轨；
• 实时录音转录：开会、上课、采访时边录边出文字；
• 多语言翻译：把外语音频直接翻成中文，或反过来；
• 字幕制作：一键导出 SRT、VTT、TXT 等格式；
• 文件夹自动监控：放进监控目录的文件自动开始处理；
• 本地优先：所有计算都在本机完成，不依赖网络。

上面就是 Buzz 的主界面。它把每个任务都放在表格里，文件、模型、任务类型、处理状态一目了然，支持同时排队多个任务，做完一个自动处理下一个。

三、为什么值得换：本地工具与云端服务，把账算清楚

很多人觉得"云端服务挺方便"，直到我把账摆到他们面前。下面这张表是我实际对比后的结果：

一句话总结：如果你只是偶尔用一次，云端可能更省事；一旦你需要长期、大量、高隐私要求的转录，本地离线方案几乎没有对手。

四、从零到一：新手最容易成功的安装路线

安装这种事，最怕一上来就搞复杂。我推荐你走"先装原生应用，再玩高级玩法"这条主线，每一步都能验证是否成功：

第 1 步：找到适合你系统的安装包

• Windows：从项目发布页下载最新安装程序，双击一路"下一步"即可；
• macOS：有 Homebrew 的话，终端里执行brew install --cask buzz，或者直接下载 DMG 文件拖进"应用程序"；
• Linux：执行sudo snap install buzz安装 Snap 版；
• Python 用户（跨平台）：pip install buzz-captions安装后，用python -m buzz启动。

第 2 步：首次启动，让模型下载跑完

第一次打开时，Buzz 会提示下载 Whisper 模型（最小的约 200MB）。这一步需要联网，下载完成后就彻底解放了。

第 3 步：扔一个文件进去试跑

随便挑一段几秒的录音，选个小模型跑一遍。看到"Completed"状态，说明你已经成功装好了一个本地语音转文字工具。

如果你是开发者，想改源码或跑最新分支，也可以直接拉取仓库：

git clone https://gitcode.com/GitHub_Trending/buz/buzz

五、端到端实战：把一段会议录音变成字幕文件

装好只是开始，真正有价值的是完整跑通一遍流程。下面我用一段 1 小时的会议录音演示，全程大约需要 6 步：

第 1 步：导入素材

点主界面的"＋"按钮，选择录音文件；如果素材在视频里，直接拖视频文件进来也行。

第 2 步：选择模型和语言

下拉框里挑一个模型（怎么选见后文"模型速查卡"），再把语言设为"中文"或"自动检测"。

第 3 步：启动任务

确认任务出现在列表里，状态为排队中，点击运行。此时你可以去干别的，任务会在后台处理。

第 4 步：逐段校对转录结果

转录完成后，双击任务打开结果页。每段文字都带精确的起止时间，底部有播放控制条，边听边核对边修改。

这一步是提升质量的关键。Whisper 再强也会有听错的词，花几分钟过一遍，结果会专业很多。

第 5 步：用 Resize 优化字幕长度

字幕太碎或太长？点"Resize"按钮，设定目标长度（比如每行 42 个字符），再勾选"按标点拆分""按最大长度拆分""按音频间隙合并"等选项，一键完成整份字幕的重新切分。

第 6 步：导出成 SRT / VTT / TXT

在结果页点"Export"，选 SRT（给剪辑软件用）或 TXT（纯文字稿）。到这里，一段录音就变成了可用的字幕文件，全程没花一分钱。

六、五个提升转录效率的实用技巧

跑通一遍之后，下面这些技巧能让你的效率再上一个台阶：

技巧 1：用提示词喂背景信息

在"Initial Prompt"里写上主题关键词、人名、专有名词，模型会明显减少这些词的误识别。比如人名"王语嫣"经常被听错，写进提示词后基本不再出错。

技巧 2：长音频分段处理，内存更稳

几小时的录音一次性跑容易吃满内存。先用工具切成 30 分钟左右的片段，再批量导入排队处理，稳定且方便局部重跑。

技巧 3：文件夹监控实现全自动转录

在偏好设置里指定一个文件夹，以后只要把录音拖进去，Buzz 就会自动开始转写。对"定期收到一堆录音"的用户来说，这基本等于免维护。

技巧 4：实时录音转录当随记本

开重要会议时直接点麦克风按钮，现场就把内容记成文字，会后稍作整理就能分发，比边听边打字快得多。

技巧 5：翻译功能做双语字幕

外语视频先转录再点"Translate"，可以生成中文翻译。配合导出功能，一份双语字幕就完成了，外语学习者和搬运翻译党会很受用。

七、新手避坑：这些坑我都替你踩过了

坑 1：一上来就选最大模型

很多人安装后直奔 Large 模型，结果电脑风扇狂转、进度条半天不动。解法很简单：先用 Tiny 或 Base 验证流程，需要精度再逐级升。

坑 2：模型下载到一半失败

网络不稳定时下载会中断。别慌，重试即可，Buzz 支持断点续传；也可以手动下载模型文件放到指定目录，在模型管理里加载。

坑 3：GPU 加速没生效

NVIDIA 显卡用户想开 CUDA 加速，记得确认驱动和对应版本的运行库装好，否则模型还是跑在 CPU 上，速度差好几倍。

坑 4：中文断句和标点不理想

默认转录有时一句话太长。用前面说的 Resize 功能设置目标长度、勾选"按标点拆分"，几秒就能把长句切干净。

坑 5：合盖或关闭窗口导致任务中断

笔记本合盖休眠会中断后台任务。长时间转录前，把系统设为"合盖不休眠"，或者用命令行方式运行，稳妥很多。

坑 6：背景噪音拉低准确率

转录质量七分靠音源。能外接麦克风就别用笔记本内置麦，环境安静时再录，Whisper 能发挥出接近专业水平的表现。

八、模型速查卡：按需选择，别盲目追大

我把 Whisper 常用模型整理成一张速查卡，照着选就行：

我的建议：日常用 Base 或 Small，重要内容上 Medium，Large 留给"一次跑完、不想返工"的任务。有独立显卡就开 GPU 加速，CPU 用户建议分段处理。

九、写在最后：从今天开始离线转录

如果你也受够了按分钟计费、受够了把隐私素材交给云端，我建议今晚就花 10 分钟试试 Buzz。下载模型、扔进一段录音、看到第一行文字出来的那一刻，你会觉得之前花的冤枉钱都有点可惜。

它免费、它离线、它在你的电脑上为你工作——数据是你的，模型是你的，成果自然也是你的。

动手吧，从你的第一段录音开始。

项目地址：https://gitcode.com/GitHub_Trending/buz/buzz

【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