Buzz完整指南：5分钟跑通本地离线语音转文字，录音到SRT字幕一步到位

Buzz完整指南：5分钟跑通本地离线语音转文字，录音到SRT字幕一步到位

【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

你有没有过这样的经历：把一段采访录音发给云端转录服务，之后反复担心它被拿去训练或外泄？开完40分钟的会，还要逐句听回音、手动敲纪要？Buzz是基于OpenAI Whisper的桌面工具，主打离线语音转文字——所有音频留在你自己的电脑里处理，直接给你带时间戳的文本和字幕。不用注册、不用上传，装完就能用。

手工敲字幕和云端转录，到底卡在哪

几个真实的场景，看看是不是你的日常：

• 视频创作者剪片子：40分钟的vlog要配字幕，只能一边倒带一边手敲台词、对时间轴，一个下午就耗在字幕上
• HR或法务整理访谈：录音里涉及候选人薪酬、当事人陈述，发给第三方在线平台心里不踏实，但逐字听写又太慢
• 记者批量处理外访录音：一次出差回来十几条录音，按分钟计费的云端服务成本高，而且每个文件都要手动上传、下载
• 做分享、发布会需要即时文字：在线转录工具要么要联网上传，要么延迟大，很难撑住现场

这些麻烦的共同点不在"能不能转"，而在"音频必须离开你的设备，或你必须手动干最脏的活"。Buzz的思路是把这两件事同时干掉。

本地处理给你带来什么

• 音频不落地到任何服务器：转录在你的CPU或GPU上完成，唯一需要联网的环节是首次下载模型
• 转录和翻译二合一：同一个任务里既能转写成原文，也能翻译成目标语言，不用来回切工具
• 字幕直接交付：导出SRT、VTT、TXT三种格式，字幕文件拿到视频软件里就能用
• 批量与自动化：多文件排队处理，还可以开启文件夹监视，新录音落盘即自动转录
• 可扩展：插件系统提供AI摘要、降噪、文档导出等能力，不用改代码就能叠加

Buzz功能全景：输入、处理、输出三层看

输入端——素材怎么进来

• 本地音频/视频文件：MP3、WAV、FLAC、M4A、MP4、MKV等，视频会自动提取音轨
• 网络链接：直接粘贴YouTube等URL导入
• 麦克风实时录音：支持现场活动用的演示窗口，把实时文字投到另一块屏上

处理端——引擎怎么选

• 多个Whisper后端：Whisper、Whisper.cpp、Faster Whisper、Hugging Face模型，以及OpenAI Whisper API
• 硬件加速：Nvidia GPU走CUDA，多数独立/核显GPU走Vulkan，Mac用Apple Silicon原生跑
• 语音分离：转录前先把人声从背景噪声里抽出来，嘈杂录音的准确率明显受益
• 说话人识别：在转录结果里自动区分不同说话人，对话结构一目了然

输出端——结果怎么出去

• 导出TXT、SRT、VTT，插件还能加DOCX
• 转录查看器：逐段编辑、搜索、播放控制、倍速调节
• 字幕调整工具：按间隙合并、按标点切分，控制每条字幕的时长

安装与首次运行：每个平台3步以内

Windows与macOS

1. 到SourceForge的buzz-captions下载页拿对应安装包（Windows是exe，macOS是dmg）
2. Windows因应用未签名会弹警告，点"更多信息"→"仍要运行"即可
3. 打开应用，首次使用时下载一个模型，之后彻底离线

Linux

flatpak install flathub io.github.chidiwilliams.Buzz

或者用Snap：

sudo snap install buzz

Python环境安装

适合开发者：先装好ffmpeg，用Python 3.12环境，然后：

pip install buzz-captions python -m buzz

命令行首跑

Buzz自带CLI，一条命令就能完成"转录+导出SRT"：

buzz add -m whispercpp -s small --srt --vtt ~/Downloads/meeting.mp4

常用参数：-t选任务（transcribe/translate）、-m选后端、-s选模型大小、-l指定语言、--txt/--srt/--vtt选导出格式。不指定语言时会自动检测。

界面走查：四个关键位置

任务管理主界面

• 把音频或视频拖进来即可加入转录队列，也可以粘贴URL
• 每个任务一行，状态、所用模型、进度一目了然
• 支持多任务并行排队，长音频和大文件互不阻塞
• 顶部工具栏覆盖导入、实时录音等高频操作

转录查看器

• 文本按片段逐段展示，带时间戳，点击即可跳到对应音频位置
• 支持全文搜索、播放控制和倍速调节
• 每段文字可直接编辑，改完即保存
• 导出菜单在这里，TXT、SRT、VTT按格式选

偏好设置与模型管理

• 常规页可配API密钥、Base URL，以及默认导出文件名模板
• 模板支持变量，比如按输入文件名、任务、日期自动拼出导出名
• 实时转录有三种模式：追加在下方、追加在上方、追加并纠错

• 在这里下载新模型、删除用不上的旧模型
• 不同后端（Whisper、Whisper.cpp等）的模型分开管理
• 磁盘空间紧张时优先清理不用的大模型

字幕调整工具

• 针对导出的SRT/VTT做二次整形，不用重跑转录
• 可按音频间隙合并过短的片段
• 可按标点切分过长的字幕
• 设置期望的每条字幕时长，自动对齐格式

源码地图：五个核心模块

• 转录引擎目录：buzz/transcriber/ —— 文件转录、实时录音、Whisper.cpp、API等各类引擎实现
• 转录查看器：buzz/widgets/transcription_viewer/ —— 查看、编辑、导出、说话人识别等界面组件
• 实时录音界面：buzz/widgets/recording_transcriber_widget.py —— 麦克风采集与实时转录的UI逻辑
• 文件夹监视：buzz/widgets/transcription_task_folder_watcher.py —— 监听目录并自动为新文件建转录任务
• 命令行入口：buzz/cli.py ——buzz add命令的参数解析与任务创建

插件相关逻辑集中在buzz/plugins/，每个插件一个目录，写处理逻辑后由加载器注册进系统。

实战场景：三种角色各走一条工作流

视频创作者出字幕

1. 拖入成片MP4，选Whisper.cpp small模型
2. 勾选SRT导出，任务完成后拿到字幕文件
3. 字幕直接导入剪辑软件，再用调整工具修整时长——一个下午的字幕活缩到一杯咖啡

记者现场整理采访

1. 开启实时录音转录，打开演示窗口投屏
2. 采访进行中就能看到文字稿雏形，漏问的问题当场补
3. 结束后导出TXT，进入编辑环节

企业自动处理会议录音

1. 配置文件夹监视指向会议录音归档目录
2. 配好默认导出文件名模板
3. 录音一落盘就自动出文字纪要，会后不用人催

进阶调优：模型怎么选、参数怎么加

模型大小对照（相对概念，非精确指标）：

常用进阶参数

• -w生成词级时间戳，做逐字对齐时用
• -e转录前做语音分离，噪声大的录音建议加上
• -p给初始提示，把专有名词、术语提前告诉模型
• -l zh手动指定语言，比自动检测更稳
• 显存紧张时选Whisper.cpp后端开Vulkan，或勾选"Reduce GPU RAM"偏好

常见问题

支持哪些格式？音频走ffmpeg，MP3、WAV、FLAC、M4A、OGG等都行；视频如MP4、AVI、MOV、MKV会自动抽音轨。

必须联网吗？转录本身完全离线。只有首次下载模型（以及用OpenAI API后端做翻译时）需要网络。

能转中文吗？可以。语言列表覆盖百余种，含普通话，-l zh即可指定。

实时转录够快吗？官方提示该功能比较吃资源，可能达不到严格意义的实时，建议用较小的模型并留意硬件配置。

能写进脚本吗？能。CLI就是为自动化设计的，buzz add ... --hide-gui可以隐藏主窗口纯后台跑。

下一步做什么

Buzz把"音频出设备"这个最大的顾虑拿掉了，剩下的只是把流程跑顺。按下面四步走，今天就能用起来：

1. 按你的系统装好Buzz，下载一个base或small模型
2. 挑一段真实录音跑通"导入→转录→导出SRT"全流程
3. 打开偏好设置，配好默认导出文件名模板和模型目录
4. 开一个归档目录试跑文件夹监视，让新录音自动转成文字稿

【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