Buzz：从录音到逐字稿的 5 分钟离线语音识别
【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
周五下午四点，一场 40 分钟的跨部门会议刚散场，你要在今晚复盘前拿到逐字稿。把录音拖进 Buzz，几分钟后一份带时间戳的文本就躺在桌面，整个过程音频文件没有离开过这台电脑。这就是 Buzz 主打的离线语音识别：模型和音频都在本地，没有上传环节。
一分钟搞清楚 Buzz 是什么
Buzz 是一个桌面应用，内核是 OpenAI 开源的 Whisper 模型（把声音转成文字的大模型）加若干本地推理后端，把它理解成 Whisper 的桌面客户端就对了。它装在 Windows、macOS 或 Linux 上，转录和翻译都跑在你自己的机器里，只有第一次下载模型权重需要联网。适合不想把会议、访谈、课程录音交给第三方服务的个人和团队。跑起来之后你会发现，它更像一台本地录音转写工作台：批量排队、说话人标注、字幕导出都是流程的一部分。
从下载到出第一条逐字稿
- Windows：从官方渠道下载安装包，安装向导会提示应用未签名，点“更多信息”→“仍要运行”即可装完。
- macOS：下载 .dmg，把应用拖进应用程序文件夹，Apple Silicon 芯片原生加速。
- Linux：终端执行
flatpak install flathub io.github.chidiwilliams.Buzz（Flatpak 是把应用装在独立沙箱里的 Linux 打包格式）；或执行sudo snap install buzz安装 Snap 包。 - 开发者版：需要 Python 3.12 并预装好 ffmpeg，然后：
pip install buzz-captions python -m buzz第一次转录：点工具栏“+”号（或 Ctrl/Cmd+O）选中一段录音，任务保持默认的 transcribe，点 Run。状态列显示 Completed 后，双击那一行打开转录页。
音频怎么进来，逐字稿怎么出去
输入有三种入口：
- 文件：MP3/WAV/FLAC/M4A/OGG 音频、MP4/MKV 等视频（自动抽音频），用拖拽或 Ctrl/Cmd+O 触发；
- 链接：把 YouTube 地址当任务粘贴进去，Buzz 先下载再转录；
- 实时：点麦克风按钮从麦克风实时转写，还能开演示窗口投到大屏上。
中间能做的事：
- 批量排队：一次加入多个文件，每行可以指定不同模型，任务表逐行显示进度；
- 语音分离：嘈杂的音频可勾选“Extract speech”，先把人声抽成干净音轨再转；
- 说话人识别：在转录页点“Identify speakers”，每位说话人自动打标，可试听 10 秒样本并把标签改成真名。
产出有三种格式：TXT、SRT、VTT，文件名支持模板变量（原文件名、任务、日期等）；字幕长短可在转录页用 Resize（字幕长度调整）合并过近的片段或按标点切分；外语材料选 translate 任务，输出直接是译文。
三个可照抄的录音处理工作流
工作流一：会议纪要
- 目标：会前拿到可分发的纪要底稿。
- 关键配置：导入录音 → 手动指定语言（自动检测偶尔会判错）→ 在“高级”里把容易拼错的人名、术语写进 Initial prompt → 点 Run。
- 你拿到的产出：带时间戳的逐字稿，改完导出 TXT。
工作流二：访谈整理
- 目标：一两个小时访谈出按人分组的文字稿。
- 关键配置：导入文件 → 转录视图点“Identify speakers” → 把每个标签改成“采访人/受访者” → 勾选“Merge speaker sentences”保存。
- 你拿到的产出：按说话人归段的文字稿，导出 TXT。
工作流三：视频字幕
- 目标：拿到一套能直接导入剪辑软件的字幕。
- 关键配置：导入视频（自动抽音频）→ Export As 选 SRT → 字幕行过长就用 Resize 按间隙合并 → 导出。
- 你拿到的产出：.srt 文件。
什么时候需要动模型和参数
默认设置（transcribe 任务 + 较小的模型）对付日常听写已经够用，下面这些情况才需要动手：
| 模型大小 | 开销 | 转录速度 | 什么时候选它 |
|---|---|---|---|
| tiny | 最小，低内存机器可跑 | 最快 | 首次试用、快速校对 |
| base | 略大 | 快 | 日常会议录音 |
| small | 中等 | 中 | 准确率要求开始抬头的场景 |
| medium | 明显偏大，建议有显卡 | 较慢 | 重要访谈与讲座 |
| large | 最大，显存要求高 | 最慢 | 把准确率放在第一位的场合 |
- 加速：NVIDIA 显卡可启用 CUDA 后端，Mac 走 Apple Silicon 原生加速，普通独显还有 Vulkan 选项。
- 命名与自动化：在偏好设置里配默认导出文件名模板（支持
{{ input_file_name }}等变量）；开启 Folder Watch（文件夹监视）指定一个目录，新录音自动转录导出，适合接 OBS 的录像输出目录。 - 插件：菜单里打开 Plugins 面板，AI 摘要、DOCX 导出、跳过已转录文件等内置插件按需勾选即可。
五个值得先看的目录
- buzz/transcriber/ — 各个转录后端：本地 Whisper、whisper.cpp、Hugging Face 模型、OpenAI API。
- buzz/widgets/main_window.py — 主窗口：任务表与工具栏。
- buzz/widgets/transcription_viewer/ — 转录视图页：编辑、播放、说话人识别、字幕调整。
- buzz/widgets/preferences_dialog/ — 全部偏好设置页。
- buzz/plugins/ — 插件系统与内置插件。
离线语音识别的边界与已知限制
- 常见误解：“离线”不等于“永不联网”。首次使用某个模型要联网下载权重文件，YouTube 链接任务也要联网拉视频。
- 性能边界：速度与模型大小成反比，laptop 用 large 转一小时录音可能要好几个小时；没显卡的机器建议小文件或分批夜间跑。
- 已知不足：Intel 版 Mac 上说话人识别不可用；超长文件先分段再转更稳，单个任务长期占着队列，进度不好把控。
把离线语音识别接进你的工作流
挑一条最近的会议录音，用默认设置跑一遍，导出 SRT 看看字幕长短是否够用。想再省事一点，就把 Folder Watch 指向 OBS 的录像输出目录，第二天早上导出文件夹里已经躺着当天的稿子。
【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
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
