Buzz 离线语音识别工具使用指南：音频转文字、录音转字幕的完整教程

Buzz 离线语音识别工具使用指南：音频转文字、录音转字幕的完整教程

【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 是一款基于 OpenAI Whisper 的离线语音识别工具，运行在你自己的电脑上，可以把音频文件、视频和麦克风录音转成带时间戳的文字，并导出 TXT、SRT、VTT 等格式。录音不用上传到任何服务器，转录全程在本机完成。

如果你经常要处理这类素材：开完会留下一堆录音没人整理、采访完的磁带迟迟变不成文字稿、本地视频想要一套字幕文件——Buzz 解决的就是这些事。它把 Whisper 模型跑在你的电脑上，导入文件后点一下就开始转，转完还能在界面里逐句核对、改时间轴、导出字幕。

它能帮你做什么

按使用场景来说，主要有四类活：

• 文件批处理：一次导入多个音频或视频，排队逐个转录，还能直接粘贴 URL 导入在线视频。
• 实时录音：对着麦克风边说边出文字，适合会议、讲座、采访现场，还支持把文字实时导出成文本文件。
• 多语言转录与翻译：支持 Whisper 的全部语言；翻译成英文是模型自带能力，翻成其他语言可以接一个 AI 接口完成。
• 字幕整理：转录结果带精确时间戳，可以调字幕长度、合并分句，导出 SRT/VTT 直接投到播放器或剪辑软件里。

安装 Buzz：三种方式任选其一

Buzz 支持 Windows、macOS 和 Linux，三种装法对应不同人群：

• Mac / Windows 用户：去项目发布页下载对应系统的安装包（.dmg / .exe）。注意 Windows 安装包没有签名，安装时系统会警告，选"更多信息 → 仍要运行"即可。
• Linux 用户：从应用商店装 Flatpak 或 Snap 最省事，见下面命令。
• 想从源码装或习惯命令行的用户：直接 pip 安装。

Linux 下装 Flatpak 版：

flatpak install flathub io.github.chidiwilliams.Buzz

pip 方式（各系统通用，Linux 需先装好系统依赖，清单见 官方安装文档）：

pip install buzz-captions python -m buzz

装完双击图标或执行python -m buzz就能打开主界面。

第一次打开软件，先改哪几项

用Ctrl + ,（Mac 是Cmd + ,）打开偏好设置，先做三件事，后面用起来就顺了：

1. 导出文件夹：点 Browse 选一个固定目录，比如"桌面/Buzz导出"，所有转录结果都会存到这里。
2. 默认导出文件名：默认模板已包含文件名、任务类型和时间，一般不用动；嫌长可以简化。
3. 下载一个模型：切到 Models 标签页，先下载一个base或small大小的模型。模型首次使用时联网下载，之后就存在本地缓存里，之后可以完全离线用。

其他选项（字体大小、实时录音导出开关等）保持默认即可，需要时再回来调。

场景一：把音频文件批量转成文字稿

目标：把几个录音文件一次性转成文字，拿到 TXT 文本。

操作步骤：

1. 点左上角的+按钮（或按Ctrl + O），选择多个音频/视频文件，文件会进入任务列表。
2. 对每个任务确认三列设置：模型（如 Faster Whisper / Whisper.cpp）、任务（Transcribe 转录 / Translate 翻译成英文）、语言。
3. 语言建议手动指定，别用自动检测——选对语言，识别质量通常明显更好。
4. 点Run，状态列会从 Queued 变到 In Progress，再变 Completed，括号里就是耗时。
5. 双击已完成的那一行，打开转录查看器，核对内容后点Export导出 TXT。

最终产出：一个带完整文字内容的 .txt 文件，落在你设置的导出目录里。文件名按偏好设置里的模板生成。

转长文件时可以顺手做两个动作（在导入时展开Advanced选项）：勾选Word-Level Timings得到逐字时间戳，后续能做精细字幕调整；Initial prompt里填容易拼错的专有名词，比如人名、产品名，能减少错拼。

场景二：开会录音，边说边出文字

目标：会议进行中实时把发言变成文字，散会直接带走一份文字稿。

操作步骤：

1. 点主界面工具栏的麦克风图标进入实时录音。
2. 选好麦克风设备和语言，点Record开始。文字会一句句出现在右侧。
3. 如果想在会中就把文字留下来，去偏好设置里勾选Enable live recording transcription export，Buzz 会边录边把文字写进一个文本文件。
4. 演讲现场还可以打开Presentation window，把实时字幕投到大屏上。

最终产出：一份实时滚动、持续写入文件的会议文字稿。

两个注意点：

• 实时转录比文件转录吃性能，建议选 Whisper.cpp 实现 + 较小的模型，笔记本也能跑动。
• 想录电脑里播放的声音（而不是麦克风）需要装一个虚拟音频设备（macOS 的 BlackHole、Windows 的 VB CABLE、Linux 的 PulseAudio 路由），细节见 官方使用文档。

录音功能的实现可以看 录音模块源码，想理解它内部怎么分段转录的可以从这里入手。

场景三：把转录结果整理成可用字幕

目标：给视频配一套时长、字数都合适的 SRT 字幕。

转录完成后的查看器就是工作台：

1. 核对：底部有播放器，点哪一句哪句高亮，Ctrl + F可以全文搜索关键词快速定位。
2. 改时间轴：选中某句，用Ctrl + ←/→以 0.5 秒为步长微调起止时间，改错的时间戳不用手打数字。
3. 调字幕长度：点工具栏的Resize，设置每条字幕的最大长度和是否按标点断句，点 Merge 自动重排——原本一句太长或碎成几行的字幕会被合并成阅读舒服的长度。
4. 导出：Export菜单里选 SRT、VTT、TXT 或 JSON。

最终产出：一份时间轴准确、断句合理、可直接导入剪辑软件的字幕文件。

模型怎么选、还有哪些进阶项

模型是"速度 vs 准确率"的取舍，记住一个原则就行：先用小模型跑通流程，不满意再换大的。

• tiny / base：几秒出结果，适合快速预览和长音频；
• small / medium：日常够用，推荐作为默认；
• large-v3 系列：准确率最高，但慢、吃内存，长音频要等。

实现方式（Whisper 类型）也影响速度：没有独立显卡或 Mac 上，选Whisper.cpp；有 6GB 以上显存的 NVIDIA 显卡，选Faster Whisper会快很多。模型管理界面在偏好设置的 Models 标签页，已下载和可下载的模型都列在那里，还可以下载量化版（如 q5）省内存。

其他值得知道的进阶项：

• 快捷键：偏好设置的 Shortcuts 标签页可自定义，常用的有Ctrl + F搜索、Ctrl + P播放/暂停、Ctrl + G跳到当前播放位置。
• 说话人分离：多人对话的音频，Buzz 支持先做说话人分离再转录，还能给每句标注说话人，见 使用文档。
• 命令行：不想开界面时，buzz add --srt 文件.mp4这类命令可以直接跑转录，完整参数见 CLI 文档。

常见问题排查清单

按"现象 → 原因 → 处理"顺序自查：

更多问题可以先查 官方 FAQ。

适合谁、接下来做什么

Buzz 适合手里有一堆录音和视频、需要文字稿或字幕，又希望数据不出本机的用户：记者、学生、会议记录者、字幕组。

下一步建议：装好之后先用一段 1 分钟左右的录音 + base 模型走通"导入 → 转录 → 导出 TXT"全流程，再按场景二、场景三的要求往实时录音和字幕整理上走。详细文档入口：安装说明、偏好设置、CLI 用法，源码在仓库根目录的 buzz/ 下，界面、转录器、数据库分层清晰，可以按需阅读。

【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