免费离线音频转录实测：用Buzz把1小时录音变成带时间轴的字幕，全程不联网

【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

你有没有算过这样一笔账：一盘1小时的会议录音，手动整理成文字稿，至少要搭进去一个下午；一段20分钟的视频想配上字幕，熬夜敲键盘是家常便饭。Buzz给出的答案是另一个方向——它是一款完全免费的离线音频转录工具，基于 OpenAI 的 Whisper 技术，把音频、视频甚至网页链接变成文字和带时间轴的字幕，全过程在你自己的电脑上完成，数据不离开设备。

这篇文章不打算罗列功能清单，而是陪你走完一条音频文件的完整旅程：从它被拖进 Buzz 的那一刻，到变成一份可编辑、可导出、可交付的文字稿。你会看到这台"本地语音识别"机器里的每一道工序，以及每个按钮背后解决的真实问题。

把录音拖进窗口：3分钟完成第一份离线音频转录

第一步没有门槛。点击左上角的"+"，选择一个音频或视频文件，MP3、WAV、FLAC、MP4、AVI 都在受理范围；如果你有一段网页上的视频，直接粘贴链接也能导入。

导入之后，界面会问你三件事：任务（转录还是翻译）、语言、模型。选好点"运行"，任务就进入了队列。接下来的事情全部由 Buzz 完成，你只需要看着进度条走完。

这就是主界面的样子——每一行是一个任务，模型、语言、进度、耗时一目了然。你完全可以同时丢进去十个文件，Buzz 会排队处理。第一次使用的人最常犯的"错误"是贪心：一次性塞进太多大文件，然后抱怨机器慢。这就要说到 Buzz 最重要的选择——模型。

五台引擎任你挑：准确率和速度，其实是一笔明账

Whisper 并不是一套"一个模型打天下"的方案，它更像一个发动机系列，排量不同，油耗不同。Buzz 把它们做成了一张清晰的选型表：

如果只是想知道一段音频里大概说了什么，Tiny 就够了，一分钟出结果；如果是给客户交付的字幕文件，请直接上 Small 或 Medium。把模型当成"精度换时间"的杠杆，你就能一眼算出每一份录音该用哪台引擎。

模型的下载和管理都在设置里完成，支持 Whisper、Whisper.cpp、Faster-Whisper、Hugging Face 等不同后端——这意味着你不仅能选大小，还能选"跑法"。比如在旧电脑上，Whisper.cpp 往往比默认方案流畅得多。

三个旋钮决定错别字多少：语言锁定、初始提示、语音分离

转录结果好不好，很多时候不怪模型，怪设置。下面这三个旋钮，是提升免费离线转录工具成稿质量最立竿见影的手段。

旋钮一：锁定语言。自动检测语言虽然智能，但遇到口音重、环境吵的录音，偶尔会"看走眼"。如果你明确知道录音说的是中文，就在下拉框里直接选中文，准确率立刻上一个台阶。

旋钮二：初始提示。这是解决"专有名词被写错"的终极武器。医学讲座里的药名、客户公司的英文名、人名的写法——把容易出错的词提前写进"Initial prompt"，模型就会"带着参考答案"去听。比如转写产品发布会时，把产品型号全部写进去，你会发现拼写错误肉眼可见地减少。

旋钮三：语音分离。录音里有人声和背景音乐混在一起时，勾选"提取人声"选项，Buzz 会先用专门的模型把纯人声剥离出来再转写。对嘈杂的会议录音和带 BGM 的视频，这一勾往往能救回半页错字。

一边开会一边出稿：实时本地语音识别与演示窗口的配合

文件转录是"离线加工"，而 Buzz 的另一条生产线是实时的。插上麦克风，点下录音按钮，你说的话会以句子为单位滚动变成文字。这就是实时本地语音识别——没有任何一步经过云端。

最有意思的是配套的"演示窗口"模式：把转录结果放大成全屏投影，字号、颜色、主题都可调。开会时连上投影仪，全场人能看到你"边说边出字"，比会后补一份纪要体面得多。同声传译级别的效率当然谈不上，但作为会议记录、讲座速记、采访提纲的即时生成器，它已经远超"够用"。

对 macOS 用户，Buzz 还支持录制电脑内部播放的声音（配合 BlackHole 之类的虚拟声卡），也就是说——在线课程、语音会议、视频通话，都能直接抓进转录流程。

成品车间：把文字稿变成能交付的作品

转录完成只是半成品。双击任务行，进入转录查看器，这里是 Buzz 的"成品车间"。

每一句话都带着起止时间戳，可以一边播放一边校对。工具栏上藏着几个关键工序：

• 字幕重排：如果转录时开启了"逐词时间戳"，Buzz 就能按你的要求重新组合字幕——按停顿合并、按标点拆分、限定每条字幕的最长时长。配合"延长显示时间"选项，出来的 SRT 字幕几乎不需要二次加工，这正是视频字幕制作最耗时的一环。
• 说话人识别：识别出音频里有几个人在说话，给每句话打上"Speaker 1""Speaker 2"的标签，还能试听某个人说话片段来重命名。做访谈记录时，这一步省下的时间以小时计。
• 多格式导出：纯文本 TXT 用于整理笔记，SRT、VTT 用于视频剪辑和网页字幕。导出前别忘了在文件转录设置里勾选你要的格式。

挂上"无人值守"档位：文件夹监控、插件与命令行

如果转录是日常工作流的一部分，Buzz 还有三招让你彻底放手。

文件夹监控。在设置里指定一个文件夹，之后凡是丢进去的新音频文件，Buzz 都会自动开始转录。批量处理访谈素材时，把录音一股脑拖进文件夹，第二天早上起来收稿子就行。

插件系统。这是 Buzz 1.4.5 之后最值得玩的地方。内置插件覆盖了高频需求：DeepFilterNet 在转录前自动降噪；"增强语言检测"在开跑前先用轻量模型判断语种；"跳过已转录"让重复导入的文件夹不再白跑一遍模型；还能自动把结果导出成 Word 文档、用本地大模型生成摘要。插件可以拖拽排序、逐个开关，甚至支持从 URL 安装社区插件——相当于给这台机器不断加装新工具头。

命令行。习惯了脚本的人，可以完全绕过图形界面：

buzz add --task transcribe --model-type whispercpp --model-size small --srt --vtt ./meeting.mp3

一行命令，转录完直接输出 SRT 和 VTT 两个字幕文件。接入自己的自动化脚本，就是一条定制的转录流水线。

算力预算表：CPU、NVIDIA显卡、Apple Silicon分别能跑多快

很多人担心"离线"等于"慢"。真实的算力账是这样算的：

• 纯 CPU：1小时音频大约需要30~60分钟，小模型会快很多，适合不赶时间的批量处理；
• NVIDIA 显卡：启用 CUDA 加速后，同样1小时音频通常压缩到5~15分钟，是最推荐的投入产出比；
• Apple Silicon：原生优化，性能接近 GPU 加速，Mac 用户的体验相当好；
• Whisper.cpp + Vulkan：Buzz 还支持 Vulkan 加速，连集成显卡也能沾光。

换句话说，决定速度的不是"离不离线"，而是你选了什么引擎、用什么硬件跑。在安装时选择带 CUDA 支持的版本，就能把显卡用起来。

如果你暂时不想折腾安装包，也可以从 PyPI 直接安装：

pip install buzz-captions python -m buzz

你的第一份稿子，今天就能到手

回看整条流水线：拖入文件、选模型、点运行，Buzz 替你把音频变成文字、把文字变成字幕、把字幕变成可交付的文件。它解决的从来不是"能不能转录"的问题——那是大多数在线工具都能做到的事——而是"在完全离线、完全免费、完全可控的前提下，把转录质量和效率做到专业级"。

如果你手头正好有一份积压的录音或视频，现在就去下载适合你系统的版本，拖一个 10 分钟的短文件进去，选 Base 模型试跑一次。三分钟后你会意识到：过去那些熬夜整理纪要、手工对字幕的夜晚，本来可以全部省下来。

想深入了解每个功能，可以参考项目内的官方文档：docs/docs/；想研究转录逻辑的底层实现，核心源码在 buzz/transcriber/，设置模块在 buzz/settings/，插件体系则在 buzz/plugins/。读完它，你就能把这个免费的离线音频转录工具用到极致。

【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