企业官网建设流程全解析

Buzz 离线音频转录实战：如何把本地录音免费转成文字稿和 SRT 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

会议录音、课堂音频、采访素材都存在一个共同的麻烦：文件躺在本地，却往往因为内容敏感、不便上传，或者单纯不想为在线服务付费，而迟迟没法变成可检索的文字。Buzz 是一款跑在你自己电脑上的本地音频转录工具，基于 OpenAI 的 Whisper 模型，把语音识别和字幕生成这件事放在离线环境里完成——不依赖云端，也不产生按分钟计费的账单。

它是一款什么工具，适合谁用

Buzz 的核心工作方式很简单：读取你指定的音频或视频文件（也支持麦克风实时输入），用本地的 Whisper 模型推理出文本，再按段落切分并带上时间戳，最后导出成 TXT、SRT 或 VTT 文件。它不上传音频，处理过程全部在本地完成，支持 Windows、macOS 和 Linux，并可在 NVIDIA 显卡上启用 CUDA、在 Apple Silicon 上做优化，也能通过 Whisper.cpp 后端借助 Vulkan 使用各类 GPU 甚至核显。

它的定位是"单人本地的批处理工具"，而不是一个多用户协作平台。需要说清楚两处边界：第一，除 OpenAI API 这一后端外它是纯离线的，而一旦选用该后端就需要联网和密钥；第二，模型越大、音频越长，处理时间越长，它不会"即时"返回，更适合"丢进去、等结果、批量跑"的节奏。

安装与首次运行

三个平台的安装路径各有不同，按自己系统选最快的一条：

• macOS：从 SourceForge 下载.dmg，拖入应用程序目录即可。
• Windows：从 SourceForge 下载安装包。由于程序未做签名，安装时系统会弹出警告，点"更多信息"再选"仍要运行"。
• Linux：以 Flatpak 或 Snap 形式提供，一条命令即可装好，例如flatpak install flathub io.github.chidiwilliams.Buzz。
• 通过 Python 安装：需要先装好 ffmpeg，再用 Python 3.12 环境执行pip install buzz-captions，之后以python -m buzz启动。若想让 PyPI 版本用上 NVIDIA 显卡，还需额外安装带 CUDA 的 PyTorch 与对应 CUDA 运行库。

首次启动时它会提示你选择默认后端、模型与语言。界面是一个任务表：每行代表一个待处理文件或录音任务，右侧可以单独设置参数，底部有全局设置入口。把文件拖进窗口或点"+"即可开始。官方把完整文档放在仓库的 docs/ 目录，按"导入文件、实时录音、翻译、编辑与字幕调整"分节，适合逐项对照。

把一段录音转成带时间戳的文字稿

这是最基础的任务。操作流程：

1. 用"+"按钮、拖拽，或快捷键（Windows/Linux 是 Ctrl+O，macOS 是 Cmd+O）导入一个音频或视频文件。Buzz 支持 MP3、WAV、FLAC 以及 MP4、AVI 等容器，因为底层走 ffmpeg 解码，绝大多数能播放的音视频都能处理。
2. 在任务行里确认"任务类型"选的是转录（transcribe），语言留空则自动检测，或手动指定。
3. 选择模型档位（见下文参数表），点"运行"。

结果是一个带时间戳的分段文字稿，可在转录查看器里逐段播放、搜索和调整速度。导出时勾选 TXT，就是一份可复制进笔记或 Word 的纯文本。

给视频生成 SRT / VTT 字幕

给视频配字幕和"转个文字"差别不大，只是导出格式不同：

1. 同样导入视频文件，任务类型保持"转录"。
2. 运行后，在导出处勾选SRT或VTT。SRT 更适合大多数剪辑软件和平台上传；VTT 则面向网页播放器。
3. 如果单行字幕太长、太短或换行频繁，用"字幕调整（resize）"功能重排：设置目标行数和最大字符长度，程序按标点和语义边界重新切段，生成符合平台规范的字幕文件。

翻译需求走的是另一条路：任务类型选翻译（translate），它会把源语言音频直接转成英文文本，适合"法语音频转成英文稿"这类跨语言场景。

实时录音转写与演讲场景

Buzz 也能直接读麦克风输入，把语音即时转成文字，并配有一个独立的"演示窗口"，专门在报告、直播、访谈时把实时文字投到第二块屏幕上。适用场景包括：线上会议边开边出纪要、讲座同步出笔记、直播加实时字幕、访谈边录边出稿。

操作路径是打开实时录音界面、选择麦克风与语言后开始；若对噪声敏感，可开启"提取语音"选项，它会先做一次语音分离再识别，能明显降低背景杂音对结果的干扰。

批量处理与文件夹监控

需要一次性跑很多文件时，Buzz 有两层自动化：

• 多任务队列：一次导入多个文件，它们在任务列表里排队逐个处理，进度互不阻塞。
• 文件夹监控（watch folder）：在偏好里指定一个目录后，任何新音频丢进去就会被自动转录，适合定期更新的播客、批量上传的课程录音这类持续产出的工作流。仓库中对应的监控逻辑在 buzz/widgets/transcription_task_folder_watcher.py。

结合"先小模型快速过一遍、重要文件再换大模型重跑"的策略，可以兼顾预览速度和最终精度。

关键参数怎么选

下表是日常最常用的几个参数，按"它管什么 → 怎么选"给出建议。

模型档位命名里带.en的是仅针对英文的变体（如tiny.en、base.en），在纯英文素材上通常更准；支持 101 种语言的识别，翻译统一输出为英文。

进阶：插件、脚本与命令行

Buzz 的插件系统把一些高频需求做成可开关的模块，代码在 buzz/plugins/，包括：AI 摘要生成、字幕自动调整（transcript resizer）、跳过已转录文件、增强语言检测、导出 DOCX、以及噪声下的语音分离（deep filter net）。在插件对话框里启用或禁用即可，不用改任何代码。

命令行面向脚本和自动化，核心是add子命令，把文件（或 URL）交给 Buzz 并在完成后退出。典型用法：

# 转录单文件，输出 SRT 与 TXT buzz add -l zh -s small --srt --txt audio.mp3

常用选项：-t指定任务（transcribe/translate），-m指定后端，-s指定档位，-l指定语言，-p填初始提示词，-w开词级时间戳，-e开语音分离，-d指定输出目录。翻译场景则是把-t translate加上去。加--hide-gui可以隐藏主窗口，方便嵌进定时任务。

常见问题

Buzz 需要联网吗？不需要。选用本地后端（Whisper / Whisper.cpp / Faster Whisper / Hugging Face）时全程离线，只有 OpenAI API 后端才需要网络和密钥。

支持哪些语言？共 101 种语言的识别；翻译功能统一把音频转成英文文本。

处理速度受什么影响？主要由音频时长、模型档位、后端和硬件共同决定。小模型 + GPU 后端时通常能接近甚至快于实时；大模型 + 纯 CPU 则会明显变慢，长音频建议用大模型前先跑一遍小模型确认结果。

能处理多长的音频？没有硬性时长限制，从几秒到几小时都可以；长文件用队列或文件夹监控跑更省心。

结果不准怎么调？依次尝试：手动指定正确语言、换更大的模型档位、给专业术语填初始提示词、噪声场景开启语音分离。

输出格式怎么选？TXT 用于阅读和复制，SRT 用于剪辑与平台上传，VTT 用于网页播放器，可一次多选。

小结

Buzz 把 Whisper 的语音识别能力装进一个本地、离线、可批处理的应用里：导入文件即转、支持实时录音与演讲窗口、能输出 TXT/SRT/VTT，并通过模型档位、后端选择、插件和命令行覆盖从个人到自动化的不同需求。它的代价是"等结果"而非"即时"，模型越大越慢——理解这一点，就能把它安排进正确的工作流。

下一步可以直接做三件事：装一个对应平台的版本，丢一段本地录音选 small 档跑一遍 SRT，再打开偏好里的文件夹监控，把"手动导入"升级成"自动转录"。

【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