Buzz 离线语音转文字实战：从会议录音到批量字幕，一次跑通

Buzz 离线语音转文字实战：从会议录音到批量字幕，一次跑通

【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

散会后你打开那份两小时的会议录音，发现还是得逐句听、逐句敲字；外语播客里想摘几句金句，只能反复暂停打字；视频剪到一半，云端字幕服务又超时了。这三件事的共同解法，其实是同一个：Buzz，一个跑在你自己电脑上的离线语音转文字工具，底层用 OpenAI 的 Whisper 模型，整段音频只在你硬盘上处理完，没有上传环节，也就没有断网、排队和按分钟计费的问题。它覆盖 99 种语言，纯 CPU 就能转，有 NVIDIA 显卡还能再快一个数量级。

装好 Buzz，顺手跑通第一条转录

三个平台，各一条命令

Windows 用户注意：安装包没有做代码签名，装的时候会弹安全警告，点"更多信息"→"仍要运行"即可，源码公开可查。不想用命令行的，也可以从项目发布页直接下对应平台的安装包。

注意：装完后在终端敲一条buzz就能启动主界面。想试未发布的最新版，把仓库克隆下来（https://gitcode.com/GitHub_Trending/buz/buzz），按 README 装好依赖运行即可。

最小可行流程，五步出稿

1. 导入文件：菜单栏"文件 → 导入媒体文件"（Ctrl/Cmd + O），MP3、WAV、MP4、MOV 都行，解码交给它内置的音频处理。
2. 选参数：Task 选 Transcribe（同语言转写）或 Translate to English（任意语言转英文）；Language 知道是什么语言就手动指定——自动检测偶尔翻车，手动选准确率明显更高；Model 新手选base就够。
3. 点 Run：任务进队列，主界面显示实时进度。
4. 等状态变 Completed：任务列表会记录每条任务用的模型和耗时。
5. 双击任务行，进入转录查看器，第一份带时间戳的文字稿就出来了。

整理一场两小时会议录音

改稿和调时间戳，都在同一个窗口

查看器左上角的视图按钮提供三种模式：时间戳表格（逐段校对、做字幕用）、纯文本（合并去时间，直接粘进文档）、翻译视图（先执行过翻译才有内容）。听到 Whisper 把人名听错了？在表格里双击文本单元格直接改，改动自动保存。播放用Ctrl/Cmd + P，当前片段起点用Ctrl/Cmd + ←/→微调，终点用Ctrl/Cmd + Shift + ←/→，边听边改不用切窗口。

字幕断句怪？用 Resize 重组

一句长话被拦腰截断、该换行的不换行，是字幕最影响观感的问题。工具栏的"Resize"可以按标点分割、按静音间隙合并、限制单行最大长度，一键把散乱的段落重组成规整字幕行。

提示：Resize 的重组能力依赖词级时间戳，转录前记得勾上"word-level timestamps"，否则这部分功能用不了。

导出成你能用的格式

"导出"菜单覆盖四个常用出口：TXT 进文档、SRT/VTT 进剪映和 Premiere、JSON 带完整元数据给程序处理、DOCX 继续排版。导出路径和文件名模板能在偏好设置里自定义，比如"输入文件名+转录时间"，一次设好以后自动套用。

演讲或直播时出实时字幕

边说边出字，模型要换小的

切到 Live Recording 标签页，选麦克风、语言和模型，点红色 Record，文字开始逐行滚出来。

注意：实时转写对性能很敏感，务必用 Whisper.cpp 后端配tiny或base小模型，大模型跟不上语速，字幕会越落越多。

投到副屏，或喂给 OBS

点"Presentation"可以单独开一个演示窗口，把实时字幕投到外接屏或直播间，当同传字幕和提词板都行。偏好设置里再打开"实时转录导出到文本文件"，每生成一句就追加写盘，OBS 读这个文件就是现成的直播字幕流。

让 Buzz 听"系统声音"

想转播客或线上课程的声音，把系统输出改道给它：Windows 装 VB-CABLE，系统输出设为 CABLE Input，Buzz 里麦克风选 CABLE Output；macOS 用brew install blackhole-2ch，在"音频 MIDI 设置"里建一个多输出设备，把扬声器和 BlackHole 都勾上；Linux 打开pavucontrol，在录制标签页把目标应用的音频重定向过去。

夜里批量处理一个文件夹的音频

GUI 一个个点适合零散文件，文件一多就该让buzz add上工了——它一次可以接多个文件：

buzz add --task transcribe --model-type whispercpp --model-size small --srt --vtt 访谈.mp3 会议录音.wav

这条命令用 Whisper.cpp 的 small 模型转录两个文件，直接落出 SRT 和 VTT 字幕。再常用的参数：--language zh指定语言；--prompt传提示词，把人名、产品名写进去，错字肉眼可见地少；--task translate则整条流水线变成翻译。把这条命令挂到系统定时任务里，夜里跑完一个文件夹，早上起来直接收稿。

模型、参数和硬件：一张表选完

省内存就选 Whisper.cpp 的量化版，比如q_5，用一点点精度换速度和显存的大幅改善。模型都在"偏好设置 → Models"管理：左边已下载、右边待下载，勾选后点 Download，也能粘贴自定义下载地址。

NVIDIA 用户记得在偏好设置里把 CUDA 选项打开；反过来，想彻底排除显卡干扰时，设BUZZ_FORCE_CPU=true强制纯 CPU。

排错速查表

1. 中文被听岔→ 自动检测误判了语言 → 手动把 Language 选成zh。
2. 实时字幕越滚越慢→ 实时模式用了大模型 → 换 Whisper.cpp 后端加tiny/base。
3. 字幕断句不自然→ 转录时没开词级时间戳，Resize 的重组用不了 → 重新转录并勾上 word-level timestamps。
4. GPU 没生效→ 驱动没装好或 CUDA 没启用 → 确认偏好设置里 CUDA 可勾选；排除法可用BUZZ_FORCE_CPU=true。
5. 模型下载龟速→ 走的默认 Hugging Face 源 → 设环境变量HF_ENDPOINT=https://hf-mirror.com换国内镜像。

把声音变成你自己的文字资产

回到开头那三个场景：两小时的会议录音、反复暂停的外语播客、等着配字幕的视频——现在都有同一条出路：本地跑 Whisper，转出来的文字可搜索、可编辑、可导出，素材从头到尾没离开过你的机器。下一步很具体：今天装好 Buzz，把手头最需要整理的那段录音拖进去，点 Run；跑完导出个 SRT，你就把"听完"变成了"拥有"。

【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