Buzz 离线语音转文字完整指南：10 分钟把声音文件变成能用的文稿

Buzz 离线语音转文字完整指南：10 分钟把声音文件变成能用的文稿

【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

想象你在做田野调查，一天访谈下来，电脑里堆满了录音文件。没有网，没有云端服务可传，文字稿却要当晚交出来。Buzz 离线语音转文字就是为这种时刻准备的：它把 OpenAI 的 Whisper 语音识别模型跑在你自己的电脑上，把音频、视频变成可搜索、可编辑、可导出的文字。不上传、不联网、不限时长，纯 CPU 就能跑，有显卡还能再快一截。

能力速览：一张表看懂 Buzz 能干什么

在动手之前，先给你一张地图。Buzz 本质上是一个转录引擎，给了你图形界面和命令行两个入口：界面负责"单个文件、实时录音"，命令行负责"批量任务"。

语言覆盖上，Whisper 模型自带约 99 种语言，中英文到拉脱维亚语都有。下面走一遍最短路径。

最短路径：第一次转出文字，只需 4 步

第 1 步：装好它。每个平台都有一条命令：

注意：Windows 安装包未做代码签名，安装时会弹安全警告。点"更多信息 → 仍要运行"即可，这是正常现象。

如果你是开发者想跑源码，克隆仓库https://gitcode.com/GitHub_Trending/buz/buzz后按 README 装依赖即可。

第 2 步：导入文件，只关心三个参数。菜单"文件 → 导入媒体文件"（Ctrl/Cmd + O）或工具栏"＋"图标。弹窗里三个关键下拉框：

第 3 步：点 Run。任务进队列，主界面显示实时进度。文件越大、模型越大越久，正常。

第 4 步：状态变 Completed 后，双击任务行。进入转录查看器：逐段带时间戳的文字，可以直接搜索、播放、改错，工具栏点"导出"就能拿到 TXT、SRT、VTT、JSON。第一份文字稿到手。

到这里你掌握了 Buzz 的 80%。剩下 20% 按你的实际问题对号入座。

长录音转得太慢，等不起？

转录质量的分水岭在模型，速度也是。Whisper 模型从小到大是tiny→base→small→medium→large，每升一档更准，也更慢更吃内存：

后端（whisper type）也有讲究：没有 N 卡或 Mac 用户选 Whisper.cpp，C++ 实现，纯 CPU 也能跑实时转录；N 卡显存 ≥ 6GB 选 Faster Whisper，比原版快一个量级；还想试多语种定制模型（Meta MMS 等），用 HuggingFace 后端。

模型在"偏好设置（Ctrl/Cmd + ,）→ Models"页管理：左边已下载，右边待下载，勾选点 Download 即可，还能粘贴自定义模型的.bin下载地址，提前把常用模型拉好。

两个加速细节：N 卡用户在偏好里确认 CUDA 选项已启用，large的转录时间能从小时级降到分钟级；如果显卡老、反而拖后腿，设环境变量BUZZ_FORCE_CPU=true强制纯 CPU。国内下载模型慢，就设HF_ENDPOINT=https://hf-mirror.com走镜像。

开会、演讲要现场出字？

主界面切到 Live Recording 标签页，选麦克风、语言、模型，点红色 Record，说话的同时文字一行行出来。

注意：实时转录吃性能，官方明确建议用Whisper.cpp 后端 +tiny或base小模型，默认 Whisper 模型跟不上语速。

三个让现场更好用的开关：

• Append and correct 模式（偏好设置里的录制模式）：会回头修正前面刚生成的句子，更准但更吃硬件；
• 演示窗口（Presentation Window）：录音开始后出现新选项，把实时字幕投到外接屏，做演讲字幕、直播辅助很顺手；
• 实时转录导出到文本文件：打开后文字边生成边写入.txt，直接接 OBS 做直播字幕。

想转的不是话筒而是电脑里放出来的声音（网课、会议软件）？装一个虚拟声卡把系统输出改道：Windows 用 VB-CABLE，把系统输出设成 "CABLE Input"，Buzz 里麦克风选 "CABLE Output"；macOS 用 BlackHole 建多输出设备；Linux 用pavucontrol重定向。官方文档 docs/docs/usage/2_live_recording.md 有逐步图解。

外语音频，要的是"我能懂的语言"

翻译有两条路，一条离线、一条任意语言：

• Translate to English：任务类型直接选它，任何语言的音频离线转出英文稿，这是 Whisper 自带能力，零配置；
• 任意目标语言：偏好设置里填一个 OpenAI 兼容的 API 地址和密钥，在转录查看器点"Translate"，给 AI 一句指令（例如"你是专业译者，把英文翻成西班牙语，只翻译、不加注释"）。本地跑 Ollama、LM Studio 的兼容模型也能接上，等于搭一条全离线翻译管线。

提示：约 1 小时音频用云端模型翻译成本在 1 美元量级；想完全免费，把翻译模型也跑在本地。

字幕断句不自然，一行长到离谱？

这是转录后最常见的返工。解法是两件事配合：

1. 转录时就勾选"Word-Level Timings（词级时间戳）"——事后无法补，这一步决定后面能不能用 Resize；
2. 查看器工具栏点Resize：设字幕最大长度、按标点分割、按静音间隙合并，一键把碎词重组成规整的字幕行。

顺手记下几个快捷键，校对效率翻倍：Ctrl/Cmd + P播放/暂停，Ctrl/Cmd + ←/→微调当前段开始时间，Ctrl/Cmd + Shift + ←/→调整结束时间。双击文本单元格直接改字，改完自动保存。

一个文件夹几十个音频，不想一个个点？

图形界面之外还有命令行入口。buzz add一次丢多个文件，参数按需求加：

buzz add --task transcribe --model-type whispercpp --model-size small --srt --vtt 访谈1.mp3 访谈2.wav

这条命令用 Whisper.cpp 的 small 模型转录两个文件，并直接输出 SRT 和 VTT 字幕。常用参数：--language zh指定语言，--prompt "专有名词提示"减少错字，--task translate做翻译。配合系统定时任务，夜里跑一个文件夹，早上起来直接收稿；详细参数见 docs/docs/cli.md。

再往上还有两层自动化：文件夹监控（偏好设置里开一个目录，新文件落进去自动转录）；Skip Already Transcribed 插件（重导文件夹时跳过已转过的，不重复烧算力）。

另外，访谈录音里分不清谁说的谁？查看器里点"Identify speakers"，Buzz 会把不同说话人的句子标上标签，你能试听 10 秒原声、把标签改成真人姓名，保存时还能勾选把同一人的连续句子合并成段。

只记一张表：你的情况怎么选

回到开头：现在就把那段录音变成稿子

回到开头那个山村访谈的场景——其实不需要走到山里，你手头现在就有一段"转不动"的录音：客户电话、外语课、采访现场。打开 Buzz，导入它，手动选好语言，模型选small，点 Run。等状态变成 Completed，双击，导出。你拥有的不再是一段再也听不全的录音，而是能搜索、能编辑、能导出的文字资产。

觉得顺手，去项目仓库点个 Star，遇到的问题和想法也欢迎反馈给社区。Buzz 的文件夹监控、更多语言模型、AI 摘要等能力还在持续迭代，这套本地转录工作流，值得成为你工具箱里的常驻成员。

【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