Buzz 上手指南：本地离线转录，免费把录音转成文字和字幕
【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 模型的本地离线转录工具：开源免费，音频处理全程不离开你的电脑，Windows、macOS、Linux 三个平台都有官方安装包。它做的事情很简单——把录音和视频变成文字稿与字幕文件，不需要账号，也不需要一直连着网。
谁适合用，谁可以不用
Buzz 是一台免费的音频转文字工具，适合它的人通常有这四种特征：
- 学生和老师：课程录音、讲座转成带时间戳的文字笔记，复习时按时间点直接跳转到对应内容，国际课程的多语言素材也能直接转。
- 视频创作者：给视频自动生成字幕，导出 SRT 后拖进剪辑软件即可，省掉逐句打轴的手工活。
- 职场人：会议、访谈边录边转，敏感内容不用出公司，数据全程留在本机。
- 研究者：十几小时的访谈录音批量转写，再配合说话人识别区分不同受访者，导出文本后直接进入分析环节。
反过来，如果你只偶尔转一两段短音频，又愿意把文件传到云端服务，那没必要专门装一套本地工具。Buzz 的价值集中在批量、离线和隐私这三件事上。
从装好到跑通：离线 Whisper 工具怎么上手
整个过程不用写代码，装好就能用。
- 安装。Windows 和 macOS 从官方发布渠道下载对应系统的安装包，按向导装完即可；Linux 提供 Flatpak 和 Snap 两种方式。Windows 安装器未签名，提示不安全时选"更多信息"再"仍要运行"。首次使用时按提示下载一个 Whisper 模型，之后缓存在本机，不重复下载。
- 导入文件。把文件拖进窗口，或点工具栏的"+"按钮手动选择，MP3、WAV、FLAC、MP4、AVI 这些常见格式都支持。附注：快捷键 Ctrl+O（macOS 为 Cmd+O）与按钮等效；粘贴 YouTube 链接也能直接导入，Buzz 会自动抓取音轨。
- 选参数、点运行。给任务选好任务类型、语言、模型档位和导出格式，按"运行"，文件就进入队列开始处理。任务进队列后主界面的状态列实时更新，多个文件排队依次处理，不用一直守着。
- 看结果。状态变成"完成"后双击该行，打开转录窗口。逐句带时间戳的文字可以直接查看和复制，也可以按之前勾选的格式导出文件。
跟做一次真实任务：90 分钟访谈变成带字幕的稿子
拿一份 90 分钟的中文访谈录音走一遍完整流程，四个核心参数都在这一步里。
导入文件后，任务类型选"转录"：输出与录音同语言的原文。如果选"翻译"，Buzz 会把非英语内容直接转成英文文本。这次要保留原话，所以选转录。
语言建议手动指定成中文，而不是自动检测。自动检测靠开头几秒猜语言，口音重或混音时容易跑偏，官方文档也明确推荐在已知语言时手动选择。
模型档位从 Tiny 到 Large 分五档，越大越准也越慢。90 分钟的访谈算重要素材，有独立显卡就选 small 或 medium；只有核显的话，small 配 Whisper.cpp 后端更稳。
导出格式勾选 TXT 和 SRT 两项：TXT 留纯文字稿，SRT 用来挂字幕。顺手把"词级时间戳"打开，后面的字幕整形功能才能解锁全部选项。
按运行，等进度条走完，双击任务行，逐句带时间戳的稿子就出来了，SRT 字幕文件也一并生成，可以直接导入剪辑软件。结果窗口自带搜索、播放控制和倍速功能，长稿校对比对着原始文件逐句听要省劲。
三种进阶能力：自动生成字幕与实时转写
字幕整形（Resize）。长录音导出的字幕行长短不一，有的观众看不完，有的跳得太碎，这时打开结果窗口点"Resize"，设定每行最大长度，再选按标点拆分、按静音间隔合并或强制分块。得到的是一套行长统一的 SRT，适配不同平台的字幕规范基本只是改几个数字。
麦克风实时转录。会议、课堂、直播这类"边说边要出字"的场景，选录音任务、语言和麦克风，点"录制"即可。说话的同时文字实时出现在屏幕上，还能打开演示窗口把内容投到大屏展示。停录之后，文稿可以导出保存。
说话人识别。多人对话的录音需要分清谁说了什么时，打开结果窗口点"识别说话人"。Buzz 自动给每位发言者的句子打标签，你可以试听 10 秒样本、把自动标签改成真实姓名，还能把同一人的连续发言合并成整段。
把重复劳动交给程序
按自动化程度从低到高分三级。
一级：文件夹监控。在偏好设置里指定一个监控文件夹，之后新音频丢进去就自动开始转录，全程不用动手。定期更新的播客、成批堆积的课程录音最适合这个模式，程序在后台默默干活。
二级：插件。在"帮助 → 插件"里按需开关：AI 摘要自动提炼内容、Resize Transcript 转完自动做字幕整形、跳过已转录避免重复计算、增强语言检测提升多语混排准确率、导出 DOCX 直接出 Word 文档，完整列表见插件说明。涉及外部 API 的插件要填 key，其余都是纯本地运行；插件还能拖拽排序，按自己的流水线拼装。
三级：命令行。批量任务和定时脚本走 CLI，一条命令把参数定死，完整参数可查CLI 文档：
buzz add --task transcribe --language zh --model-type whispercpp --model-size small --srt interview.mp3挂到系统计划任务里，每天的新录音转完自己导出字幕，人不用盯着。
模型和硬件怎么选
作为一台 Whisper 本地工具，Buzz 的档位逻辑很简单：硬件决定上限，场景决定档位。
| 硬件环境 | 推荐档位 | 理由 |
|---|---|---|
| NVIDIA 显卡（显存 6GB 以上） | medium 或 large，配 CUDA 加速 | 精度上限最高，长音频也扛得住 |
| Apple Silicon 或核显 | small，用 Whisper.cpp 后端 | 优化到位，普通笔记本也能实时转写 |
| 纯 CPU 老机器 | tiny 或 base | 先保速度，重要文件换大模型再重跑 |
档位和后端在每个任务上都能单独改，不必全局锁定。两个附带建议：录音里有人名、地名或专业术语时，把它们填进高级设置的"初始提示词"，这些词的识别率会明显上升；音源嘈杂就先勾"提取语音"，让人声先被分离出来再转，准确度好一截。
快速答疑
问：完全断网的环境能用吗？能。模型首次使用需要联网下载一次，之后的转录全部在本机完成。电脑本身不能上网的话，在另一台机器上下好模型，把模型文件夹拷过去就行。
问：中文之外的语言效果如何？Whisper 原生支持 99 种以上语言，中英日德法都在列，转录和翻译都覆盖。多语混排的素材建议手动指定语言，比自动检测稳。
问：一小时录音要转多久？取决于模型大小和硬件，带 GPU 的机器上通常能达到实时甚至更快。觉得慢就降一档模型，或换 Whisper.cpp 后端再试。
问：特别长的音频能处理吗？没有硬性上限，几小时的录音直接丢进去就行。文件特别长时建议开词级时间戳，配合字幕整形后续更好改。
问：能转电脑正在播放的声音吗？可以。装一个虚拟音频设备（macOS 用 BlackHole、Windows 用 VB Cable），把系统声音指过去，再在 Buzz 里选它当录制源。
去官方发布渠道下载对应系统的安装包，导入你手边第一段录音。进度条走完、字幕文件生成的那一刻，"录音转文字"这件事就在你机器上跑通了。
【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
