语音转文字不用出网：Buzz 本地音频转录实战笔记

语音转文字不用出网：Buzz 本地音频转录实战笔记

【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

会议录音、播客、课程视频，想把语音变成文字，又怕录音内容被上传到别人的服务器？Buzz 是一个开源的本地音频转录工具，底层跑 OpenAI 的 Whisper 模型，识别全程在你的电脑里完成，结果可以直接导出 TXT、SRT、VTT 字幕。这篇笔记按任务来写：先让你跑通第一次离线转录，再把最常用的三条工作流讲透，最后讲模型选择和高频卡点的排查思路。

不想把录音交给云端，Buzz 能帮你做什么

它解决的核心问题就一个：音频进、文字出，中间不经过任何服务器。能力大致覆盖这几块：导入音频或视频文件做转录或翻译；对着麦克风做实时录音转录，还能开一个演示窗口把实时文字投到大屏上；转录完成后提供带搜索、变速播放、字幕合并调整的查看器；再加一个文件夹监控，目录里放进新音频就自动转。更进阶的还有说话人识别、噪声分离、插件系统（比如 AI 摘要、DOCX 导出），这些后面按需提。

🏁 十分钟跑通第一次本地转录

先装上一个能跑的版本

三个系统都有现成安装包：macOS 装.dmg，Windows 是安装程序（应用未签名，弹窗时选"更多信息"→"仍要运行"即可），Linux 走 Flatpak 或 Snap。图省事的话，Linux 上执行一条命令：

flatpak install flathub io.github.chidiwilliams.Buzz

开发者也可以走 PyPI 安装buzz-captions，前提是装好 FFmpeg 并用 Python 3.12 环境。装完打开应用，不用做任何配置，就可以导入文件了。

导入文件，点运行

在文件菜单里选 Import Media File，或点工具栏的 "+" 图标（快捷键 Ctrl/Cmd+O），挑一个音频或视频文件。接下来三个选择：任务选"转录"或"翻译成英文"；语言直接手动指定，别用自动检测——官方文档也推荐这么做，指定语言后质量通常更稳；模型先不管，默认值就能转。点 Run，状态列变成 Completed 后，双击这一行就打开了转录查看器，文字、时间轴、播放器都在里面。

第一次转完，你手里就已经有一份能用的文本了。后面的内容都是让这件事更快、更准、更顺手。

三条最常用的工作流

文件转录：把参数调到够用就行

文件导入这条线里，真正值得碰的参数有三个。一是"Export As"，决定导出成 TXT、SRT 还是 VTT；二是 Word-Level Timings（单词级时间戳），勾上之后每个词都有独立时间轴，后面做字幕合并时才玩得转；三是 Advanced 里的 Initial prompt（初始提示词），把容易识别错的人名、专业术语写进去，能明显减少错别字。背景很吵的音频可以再开 Extract speech，它会先把人声分离出来再转录。

实时录音：麦克风进，文字流式出

主界面选一个录音任务，设好语言、模型质量、麦克风，点 Record 就开始。两个注意点：默认 Whisper 后端比较吃资源，实时场景建议换 Whisper.cpp 并用小模型；另外录音模式里有"Append and correct"，它会在追加新句子的同时回头修正上一句的误差，效果最好但更耗算力，机器吃紧就退回普通追加模式。开录之后会出现演示窗口的入口，全屏一投，观众能实时看到字幕，开会做手语式展示、活动直播字幕都能用。细节见 实时录音文档。

文件夹监控：放进来就自动转

如果你手上有一整个目录的待处理音频，不想一个个导入，可以在首选项里配 Folder Watch（文件夹监控）：指定一个目录后，新落地的音频文件会被自动识别并转录。配合插件系统里的"Skip Already Transcribed"，重复导入的已转录文件会直接跳过，不会白烧一遍算力。

⚡ Buzz 模型怎么选才不踩坑

Buzz 里的"模型"其实分两层：先选后端（Whisper 的几种实现），再选规模（tiny 到 large）。新手最容易绕晕的是后端，先看这张表：

规模上的经验值：tiny/base 试水和实时够用，small 是日常会议的主力，medium 往上是正式交付的档位。Large 家族里 V2 更稳、V3 多数情况最准但偶尔会"编"出音频里没有的词，Turbo 则是速度和准头的折中。没有标准答案，拿同一段你的目标语言音频各试一次最靠谱。

GPU 加速方面：Linux 上 N 卡开箱即用，Windows 安装包已内置 CUDA 12 支持，旧版本 CUDA 会自动回落到 CPU。如果 GPU 反而拖慢速度，可以用环境变量BUZZ_FORCE_CPU强制走 CPU。模型下载和管理都在 帮助 → 首选项 → Models 里，还能给大模型挑 q_5 这类量化版本省显存。

一个容易被忽略的用法：模型缓存在本机（Linux 在~/.cache/Buzz），所以完全可以在有网的机器上把模型下好，整个文件夹拷到无网的机器同一位置，Buzz 就能纯离线工作。常见问题里有更完整的说明。

转录完之后：查看、搜索与字幕调整

双击任务行打开查看器，这是后续所有操作的基地。顶部可以切换时间戳表、纯文本、译文三种视图；Ctrl/Cmd+F 打开搜索栏直接定位关键词；播放面板支持 0.5 到 2 倍速，还能勾选 Loop Segment 循环某一段、勾选 Follow Audio 让文字跟着音频滚动。导出菜单里 TXT、SRT、VTT、JSON 都能出。

真正提效的是 Resize（字幕调整）功能，文档在这里。前提是转录时开了单词级时间戳：打开 Resize 后可以设定每行字幕最大长度、是否按标点断句，Buzz 会把逐词结果重新合并成适合观看的字幕条；如果源音频还在本地，它甚至会分析静音间隙来校准边界。字幕一闪而过看不清？还有个选项能给每条字幕统一延长显示时长。

多人对话的录音，可以点"Identify speakers"做说话人识别：它给每句自动贴标签，你能试听 10 秒样本、把标签改成真名，保存时还能勾选把同一人的连续发言合并成一段。（此功能在 Intel 芯片的 Mac 上不可用。）

三个场景的操作要点

会议与访谈：录音 + 说话人识别

选 small 或 base 模型保证实时跟得上，会议开始时点 Record 录全程，用演示窗口给不方便看笔记的与会者实时投字幕。会后打开转录结果，跑一遍说话人识别，把标签改成人名，再导 TXT 发群。录音文件本身留底，这是双保险。

给视频配字幕：转录 + 调整 + 导出

导入视频后 Buzz 会自动抽取音频。正式内容建议 medium 起步，勾上单词级时间戳；转完在 Resize 里按"最大长度 + 按标点断句"合并成字幕条，需要的话给每条延长一两秒；最后导 SRT，直接拖进剪辑软件，时间轴是对齐的，不用手动卡点。

批量音频：文件夹监控 + CLI

一整个目录的待转文件，配好 Folder Watch 让它自己跑；想脚本化就用 CLI，例如用 Whisper.cpp 的 small 模型转中文音频并直接出 SRT：

buzz add -m whispercpp -s small -l zh --srt 音频文件.mp3

插件里的 AI Summary 可以在转录完成后自动用 OpenAI 兼容 API 生成摘要存进备注，批量处理访谈材料时很省心。

🔧 常见卡点：按现象排查

转得太慢→ 大概率是模型或后端选型问题。先换 Whisper.cpp，再把规模降到 small 以下；N 卡显存够 6GB 就换 Faster Whisper。实在慢还可以走 OpenAI API 把识别放到远端。

识别结果不准→ 优先查三处：语言是不是手动指对了；音频噪声大不大（开 Extract speech 或插件里的 DeepFilterNet 降噪）；专名是否在初始提示词里。模型越大不必然越准，音频质量和语言设置的影响更大。

提示PaErrorCode-9999或采不到麦克风→ 多半是系统权限拦了。Windows 去 设置 → 隐私 → 麦克风 里确认 Buzz 的权限，杀毒软件的拦截规则也看一眼。

启动崩溃→ 常见原因是模型下载不完整。到 Models 面板删掉对应模型重新下；仍不行就去 帮助 → About Buzz → Show logs 看日志。另外注意 Buzz 要求 CPU 支持 AVX2，非常老的机器跑不起来。

离线机器没法用→ 在联网机器上下载好模型，把模型缓存文件夹整体拷到离线机器的相同位置即可，详见 FAQ。

接下来

从一条录音到一份对齐的字幕，Buzz 全程离线就能走完闭环。想继续深入，从 偏好设置 和 使用文档目录 开始看就行；日常卡壳先翻 常见问题，大多数现象都有现成答案。

【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