Buzz：零成本本地语音识别，离线音频转录从安装到出稿的完整指南

Buzz：零成本本地语音识别，离线音频转录从安装到出稿的完整指南

【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

手头有一段两小时的会议录音，涉及客户报价和人事讨论，不敢交给任何云服务。我把它拖进了 Buzz，拿到了一份带时间戳、可逐段编辑的文字稿。Buzz 是一款基于 OpenAI Whisper（一个开源的语音转文字模型）的免费离线音频转录桌面工具，全程在你自己的电脑上完成，不联网、不按分钟计费。这篇文章按从安装到调优的完整动线写，顺带把常见坑一次说清。

从下载到第一段文字稿

双击 Windows 或 macOS 安装包即可装好；Windows 首次运行若弹出"未签名"提示，点"更多信息"再选"仍要运行"就能继续。Linux 用户走 Flatpak 或 Snap 商店，一条命令装完，升级也顺手。命令行党则可以直接pip install buzz-captions，再用python -m buzz启动，效果一致。

程序打开后是一张任务列表，每个转录任务的文件名、所用模型、任务类型和状态排成一行。别急着拖文件，先用快捷键Ctrl/Cmd + ,打开偏好设置：设一个默认导出路径，让结果自动落到你常用的文件夹；顺手调一下界面字体大小。如果你以后打算用云端模型或 AI 翻译，把 API 密钥填上即可，纯离线用户这步跳过。

然后点左上角的"+"，或者直接把音频、视频文件拖进去，MP3、WAV、MP4、AVI 都认。选任务类型：转录（转成原文）或翻译（转成英文），指定语言和模型，点 Run。等状态变成 Completed，双击这一行，转录查看器就打开了——每段文字带起止时间戳，底部有播放条，可以逐段试听、修改。

有一个细节值得多说一句：语言请手动指定。自动检测偶尔会猜错，中文被误判成别的语种再转回来，整段文字基本报废；手动选对语言后，准确率立刻不一样。

模型与引擎：按你的硬件选

Buzz 背后是 Whisper 的五个模型档位，体积、速度、精度各不相同：

试了两周的结论很明确：日常用 Base，重要内容用 Small。Medium 和 Large 的精度提升有限，耗时却是成倍的，普通材料不划算。

模型选完还要选引擎，条件句式记一下：如果你有 NVIDIA 显卡且显存不小于 6 GB，选 Faster Whisper，它走 CUDA（英伟达的 GPU 并行计算平台）加速，提升最明显；否则选 Whisper.cpp，它是 C++ 重写版，速度快、占内存少，还支持 Vulkan（一种跨平台的图形计算接口），核显也能参与运算，笔记本上接近实时转录，这也是 Whisper 本地部署最省心的路线；需要加载社区定制模型、或使用 Meta MMS 系列上千种语言时，选 HuggingFace 版。

偏好设置里的"模型"页能看到每个模型的下载状态，支持删除和重新下载，"显示文件位置"按钮可以一键打开模型存放目录。

把转录质量拉满的几个开关

初始提示（Initial Prompt）。专有名词、人名、公司名经常被转错。在任务的高级设置里，把这些词写进初始提示——它是先给模型看的一段提示文本，等于提前交了一份"术语表"。实测医学讲座里把药品名列进去之后，拼写错误明显减少。

字幕后处理。这里有两个开关值得一起打开。词级时间戳（Word-Level Timings）给每个词打上时间点，是字幕精修的基础，建议默认勾选。字幕重排则解决分段糟糕的问题：一段话被拆得稀碎时，可以按静音间隙合并、按标点分割、限制每条字幕的字符上限。跑下来几秒钟，导进剪辑软件就是一副整整齐齐的字幕。

文件夹自动转录。每次手动点 Run 太繁琐。在偏好设置的文件夹监控页勾选启用、指定一个目录，之后把音频丢进去就自动开始转录，处理一堆讲座录音时相当于半自动流水线。

插件系统。Buzz 从 1.4.5 版起支持插件，在"帮助 → 插件"里管理。两个值得开的：AI 摘要，转录完成后自动把要点总结写进笔记；降噪，用深度滤波模型在转录前去掉背景噪声，嘈杂录音的识别率能上一个台阶。

速度排查：按这个顺序来

转录慢，多半是模型或加速的问题，按顺序检查：

• 📥降一档模型：Small 换 Base，速度提升最直观，多数材料的精度损失可以接受；
• 开 GPU 加速：NVIDIA 显卡走 CUDA，Windows 安装版默认支持；Mac 的 Apple Silicon 有原生优化；Whisper.cpp 还支持 Vulkan，核显也能算。开启后，一小时音频的转录时间可以从 40 分钟缩到 10 分钟以内；
• 减线程数：Whisper.cpp 的线程数设为 CPU 核心数的一半，往往比拉满更快——线程太多时，结果合并环节反而拖后腿。可用环境变量BUZZ_WHISPERCPP_N_THREADS设置。

完全离线的机器也能用 Buzz：先在有网电脑上把模型下好，再按界面"显示文件位置"找到的路径，把整个模型文件夹拷到离线机的相同位置即可。

卡住了？三个高频问题速查

• 现象：转录特别慢→ 可能原因：模型档位过高、后台程序抢占资源、GPU 加速没真正生效 → 解法：降一档模型，关掉无关程序，到设置里看有没有报错，确认 GPU 确实被用上了。
• 现象：专有名词总认错→ 可能原因：语言靠自动检测、模型没得到术语提示 → 解法：手动指定语言，把术语、人名写进初始提示。
• 现象：导出的文件用不了→ 可能原因：格式和用途没对上 → 解法：TXT 当纯文本笔记，SRT 给剪辑软件（通用标准字幕），VTT 给网页视频，JSON 给程序处理。

写在最后

Buzz 把"专业级语音转文字要花钱、要联网、要担心数据去向"这件事，变成了免费的本地默认选项：完全开源、无需联网、录音全程不出你的设备。会议记录、视频字幕、讲座整理、外语句子翻译，它都接得住。今晚装一个，拖一段 3 分钟的录音进去，看看离线音频转录的速度和效果。

• 官方文档：docs/
• 转录核心源码：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