Buzz 离线音频转录指南：用本地 Whisper 快速完成语音转文字与字幕导出
【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
Buzz 是一款免费开源的离线音频转录工具，基于 OpenAI 的 Whisper 模型，在你的电脑上本地完成语音转文字与翻译。它支持 100 多种语言，既能处理 MP3、WAV、FLAC、MP4 等音视频文件和 YouTube 链接，也能实时录音转录，并内置字幕编辑、说话人识别与多种格式导出（TXT、SRT、VTT）。所有数据都在本地处理，无需上传服务器。
先做选型：云端转录和本地转录怎么选
把录音交给云端服务，通常换来的是更省心的算力，代价是音频会离开自己的设备。本地转录正好相反：
| 维度 | 云端转录服务 | Buzz 本地转录 |
|---|---|---|
| 数据去向 | 上传到第三方服务器 | 完全保留在本机 |
| 网络要求 | 必须在线 | 可离线运行 |
| 费用 | 多按分钟/时长计费 | 免费，无隐藏收费 |
| 硬件要求 | 无 | 取决于模型大小（约 75MB 至 2.9GB） |
| 可定制性 | 受限于平台功能 | 可换后端、写插件、接入脚本 |
如果你的内容涉及商业信息、个人隐私，或者经常在没有网络的环境下工作，本地路线更稳妥；对算力要求不高的轻量场景，两者都可行。下文假设你已经决定使用 Buzz。
按操作系统选择 Buzz 的安装方式
详细步骤见官方 安装文档。四种路径任选其一：
- macOS：下载
.dmg安装包，拖入 Applications 即可（支持 Intel 与 Apple 芯片）。 - Windows：下载安装包后按提示安装。Buzz 未做代码签名，系统提示安全警告时选择"更多信息"→"仍要运行"。
- Linux：Flatpak 或 Snap 均可：
flatpak install flathub io.github.chidiwilliams.Buzz # 或 sudo snap install buzz- PyPI：需要 Python 3.12 环境和 ffmpeg，适合想参与开发或定制的用户：
pip install buzz-captions python -m buzz选对 Whisper 模型：速度、精度和内存的平衡
Buzz 的模型管理入口在偏好设置（菜单打开，或按Ctrl/Cmd + ,）的 Model 标签页里，可以下载新模型、删除不用的模型。
Whisper 系列模型按体积分五档，体积越大识别越精细，但转录也更慢、更吃内存：
| 模型 | 体积（约） | 适用情况 |
|---|---|---|
| tiny | 75MB | 快速预览、实时转录、低配设备 |
| base | 142MB | 日常使用的平衡之选 |
| small | 466MB | 需要更高准确度的正式内容 |
| medium | 1.5GB | 高精度、长内容 |
| large | 2.9GB | 最高准确度，资源需求也最高 |
除了原始 Whisper，Buzz 还支持 Whisper.cpp、Faster Whisper、Hugging Face 模型族和 OpenAI API 后端。几个和性能直接相关的选择：
- Whisper.cpp 后端支持 CUDA（NVIDIA 显卡）、Vulkan（多数独立/核显显卡）和 Apple Silicon，实时录音场景官方也建议用它。
- 大模型可以选量化版本（如
q_5）来降低显存占用；在偏好设置里开启"Reduce GPU RAM"或使用 Whisper.cpp 量化模型都能减少显存消耗。 - 显卡老旧或出问题时，可以设置环境变量
BUZZ_FORCE_CPU=true强制用 CPU。
日常对话内容，base 或 small 通常就够用；先把小模型跑通，确认准确度不足再换大的，是更省时间的做法。
第一次转录：导入文件、挑语言、跑通导出
完整说明见 文件导入文档，流程是四步：
- 点 File → Import Media File（或工具栏的 "+" 按钮、快捷键
Ctrl/Cmd + O），选择音频、视频文件或粘贴 YouTube 链接。 - 选择任务（转录 / 翻译成英文）、语言、模型。官方建议明确指定语言——自动检测依据的是开头几秒的音频，容易误判。
- 点 Run 开始处理，任务列表里会显示排队、进行中、已完成状态。
- 状态变为 Completed 后，双击该行（或选中后点展开图标）打开转录查看器。
三个值得留意的选项：
- Initial prompt（初始提示词）：在 Advanced 按钮下填写，把容易写错的人名、术语放进去，能明显减少同音字错误。
- Word-level timings（词级时间戳）：开启后每个词都有独立时间点，之后才能用调整工具把文本切分成规范字幕（详见下文）。
- Export As：导出格式可选 TXT、SRT、VTT。
转录完成之后：编辑文字、识别说话人、调整字幕长度
转录查看器是 Buzz 里功能最集中的页面，常用能力如下（详见 转录查看器文档）：
- 搜索与定位：
Ctrl/Cmd + F打开搜索，Ctrl/Cmd + G让文本滚动跟随播放位置；播放速度支持 0.5 到 2.0 倍。 - 时间戳微调：
Ctrl/Cmd + ←/→以 0.5 秒为单位移动片段起止时间，配合 Loop Segment 反复试听同一段落。 - 说话人识别：在查看器点"Identify speakers"，Buzz 会标注不同说话人的句子，可以试听任意一句并把手动改标签改为真实姓名，还能勾选合并同一人的连续句子（Intel 芯片的 Mac 上不可用）。
- 字幕长度调整：点"Resize"。启用过词级时间戳的转录，可以按标点拆分、按最大长度合并，还能延长每段字幕的显示时长，并借助音频静音分析优化切分位置；没有词级时间戳的转录则只能按最大长度重新合并。详见 编辑与调整文档。
- 翻译：Whisper 本身支持把非英语音频翻译成英文；要翻到其他语言，需在偏好设置里配置 OpenAI 兼容 API（支持 OpenAI、Ollama、LM Studio 等），再在查看器的 Translate 按钮里填入翻译指令。参考成本：一小时音频用 ChatGPT/Claude 级别模型约 1 美元。
- 导出：TXT、SRT、VTT、JSON 等格式，可直接交给视频剪辑软件或其他脚本处理。
批量与自动化：命令行、文件夹监控和实时录音
用 CLI 批量处理文件
Buzz 自带命令行入口（CLI 文档），适合脚本化场景。转录单个文件并导出 SRT：
buzz add --task transcribe --language zh --model-type whisper --model-size small --srt 音频文件.mp3批量处理目录内所有 MP3：
for f in *.mp3; do buzz add --task transcribe "$f"; done其他常用参数：-t指定任务（transcribe/translate），-m指定后端（whisper、whispercpp、fasterwhisper、huggingface、openaiapi），-p传入初始提示词，--hide-gui后台运行。
用文件夹监控实现"扔进去就转"
在偏好设置的 Folder Watch 标签页指定一个目录，放入的音频文件会自动进入转录队列。配合内置插件Skip Already Transcribed（检测同名 TXT/SRT/VTT 文件或数据库记录），重复导入同一批文件时会自动跳过已完成的任务。
实时录音与演示窗口
麦克风录音转录的步骤：选好任务（转录 / 翻译成英文）、语言、麦克风，点 Record 即可。官方提示：默认 Whisper 后端实时转录开销较大，建议用 Whisper.cpp，并优先 tiny、base 这类小模型。三个实时模式各有取舍——Append below / Append above只追加新句子，Append and correct会持续回改末尾错误，更准但更耗算力。录音开始后还会出现 Presentation window 选项，可以开一个独立窗口在大屏上投出实时文字。
想转录电脑里播放的声音（网课、播客、系统音效），需要装一个虚拟音频设备（macOS 可用 BlackHole，Windows 可用 VB CABLE）把系统输出引到虚拟设备，再在 Buzz 里把它选为麦克风。完整步骤见 实时录音文档。
插件：给转录流水线加扩展
1.4.5 起支持插件（Help → Plugins 管理），内置的六个能覆盖不少重复劳动：AI Summary（接 OpenAI 兼容 API 生成摘要）、Enhanced Language Detection（转录前本地检测语言）、Export DOCX（导出 Word，可带时间戳）、Resize Transcript（转录完自动重排字幕）、DeepFilterNet 降噪（先消噪再转录，适合嘈杂录音）、Skip Already Transcribed。自定义插件可参考 buzz/plugins 目录的源码结构。
关于效果的四个高频问题
- 语言该选"自动检测"吗？已知语种就手动指定，检测基于前几秒音频，双语或口音重的内容更容易出错。
- 长音频要分段吗？模型会整段处理；更实际的优化是关掉其他占内存的程序、用 smaller 的模型或量化版本，而不是人为切碎音频。
- 有 GPU 怎么开加速？NVIDIA 显卡装带 CUDA 的 PyTorch（
pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu129）；Whisper.cpp 后端可走 Vulkan，核显也能加速。 - 录音环境要讲究吗？要。安静环境、外接麦克风、录音前试一次电平，对最终准确度的影响比换更大模型更明显。
下一步行动清单
- 下载你操作系统的安装包（或
pip install buzz-captions），打开 Buzz。 - 在偏好设置里下载 base 模型，导入一段两三分钟的音频跑通第一次转录。
- 在查看器里试一次搜索、时间戳微调和 SRT 导出。
- 需要常态化使用时，再依次配置文件夹监控、CLI 脚本和实时录音。
【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
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
