三步装好、五步成稿：Buzz本地语音转文字工具从入门到自动化

三步装好、五步成稿：Buzz本地语音转文字工具从入门到自动化

【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

开了两小时会，录音躺在手机里，逐字整理却要熬到凌晨——这是不是你的日常？Buzz 是一款完全离线运行的开源本地语音转文字工具，基于 OpenAI Whisper 打造，能把音频和视频一键变成带时间戳的文字稿，全程不联网、不上传，隐私和数据安全都有保障。这篇文章就带你从安装一路走到自动化，把这份"听写苦差"彻底交给它。

为什么偏偏是它：本地转录到底香在哪 🍀

先做个简单的对比。市面上的在线转录服务通常按分钟计费，动辄每小时几十块，还得把录音上传到别人的服务器；而 Buzz 的选择是完全在本地完成全部计算：

对于内容创作者、做访谈的学者、频繁开会整理纪实的职场人来说，这三点几乎就是刚需。而且 Buzz 同时支持 macOS、Windows、Linux，还给开发者提供了 Python 包和命令行接口，后面想玩自动化也有现成的路。

动手前先摸清两件事：转写靠什么、电脑要什么配置

很多新手装完软件发现跑不起来，其实是没搞懂 Buzz 背后有五套不同的转写引擎：

• OpenAI Whisper：官方 Python 实现，兼容性最好；
• Faster Whisper：基于 CTranslate2 优化，速度和显存占用更友好；
• Whisper.cpp：C++ 编写，支持 Vulkan 加速，大部分显卡都能用上；
• Hugging Face 模型：可接入社区里五花八门的微调模型；
• OpenAI API：少数需要联网的场景（如翻译、AI 摘要）会用到。

至于硬件，纯 CPU 也能跑，只是慢一些。建议至少 8GB 内存，配置越高、转录越快；NVIDIA 显卡可以走 CUDA 加速，Apple Silicon 有原生优化。第一次使用某个模型时需要联网下载权重，之后就可以断网工作了。

三步完成安装：三个平台的三种打开方式

安装本身没什么门槛，按你的系统挑一条路走：

1. macOS：从 SourceForge 下载.dmg安装包，拖进应用程序文件夹即可；
2. Windows：下载安装程序一路下一步。注意应用未签名，首次运行会被 SmartScreen 拦截，点"更多信息"→"仍要运行"即可；
3. Linux：推荐用包管理器安装——

   flatpak install flathub io.github.chidiwilliams.Buzz

   或者用 Snap（Snap 版建议先装好音频库）：

   sudo apt-get install libportaudio2 libcanberra-gtk-module libcanberra-gtk3-module sudo snap install buzz

Python 开发者还有更轻的玩法，一条命令装进环境里：

pip install buzz-captions python -m buzz

想从源码跑、顺便改代码，也可以git clone https://gitcode.com/GitHub_Trending/buz/buzz后按仓库文档安装。装好之后，验证是否正常就是打开软件看主界面有没有加载出来。

五步跑通第一次转录：从一段录音到一份文稿

第一次用，别急着研究高级设置，先按下面五步跑通最小流程。

第 1 步：导入音频文件🎯 点击工具栏的"+"按钮，或用快捷键 Ctrl/Cmd+O 选择文件。支持 MP3、WAV、MP4、AVI 等常见格式，可以一次拖多个文件进来批量添加；从 1.2.0 版本起还支持直接粘贴 YouTube 链接，把在线视频抓下来转写。

第 2 步：设置任务与语言

• 任务类型：选"转录"保留原语言，或选"翻译"把所有内容译成英文；
• 语言：能确定就手动指定，不确定就交给自动检测；
• 模型：先用 Tiny 或 Base 验证流程，后面再换大的。

第 3 步：打开高级选项初始提示（Initial Prompt）可以塞专业术语；"提取语音"能从嘈杂音频里分离人声；"单词级时间戳"会生成精确到每个词的时间标记，后续做字幕调整会用到。

第 4 步：点击运行任务列表会显示实时进度百分比、所用模型和当前状态，支持暂停和取消。文件越长、模型越大，等待越久，都是正常现象。

第 5 步：查看与导出双击任务行进入转录详情页，可以看到每段文字的时间轴，边播放音频边高亮对应文字，还能用搜索框快速定位。导出时四种格式任选：

💡 避坑提示：首次运行需要下载模型，务必保证联网；想快速验证流程，先用 Tiny 模型跑一段 30 秒的音频，别一上来就挑战 Large。

模型选型：想让效率和准确率同时在线，先看懂这张表 ⚡

模型大小直接决定转录的速度与准确率，Buzz 官方把 Whisper 五个档位的模型都搬了进来：

模型管理在"首选项 → Models"标签页里：可以查看已下载的模型、下载新版本、填写自定义模型链接，删掉不用的模型还能释放磁盘空间。

想让 Large 也能跑得动，就要请出硬件加速：

• NVIDIA GPU：装 CUDA 版 PyTorch，例如pip3 install -U torch==2.8.0+cu129 torchaudio==2.8.0+cu129 --index-url https://download.pytorch.org/whl/cu129；
• Apple Silicon：开箱即用，M 系列芯片有原生优化；
• 其他 GPU 或集显：Whisper.cpp 走 Vulkan，覆盖面最广。

再补两个性能口诀：内存够大就调大批处理大小；模型文件放 SSD 上，加载速度肉眼可见地变快。

把转录结果"喂"得更准的三个小动作

模型选对了，准确率还能靠操作再上一层楼：

1. 手动指定语言。自动检测偶尔会翻车，尤其面对口音或混合语言时。能确定就用确定的，哪怕内容里混了几句外语，也以主要语言为准；
2. 用好初始提示。把专业术语、人名、公司名预先写进提示里，Whisper 会明显更"懂事"。做讲座录音时，把课件里出现的关键词都塞进去；
3. 按内容挑模型。日常会议 Base 就够，访谈播客上 Small/Medium，学术材料直接 Large，别用大炮打蚊子也别凑合。

背景噪音大的录音，先勾选"提取语音"分离人声，或者配合后面要讲的 DeepFilterNet 降噪插件，效果立竿见影。

会议和访谈救星：实时录音转写这样玩 🎙️

除了导入现成文件，Buzz 还能一边录音一边出文字，开会时打开它，散会就有初稿。操作路径很清晰：

1. 点击主界面麦克风图标进入录音模式；
2. 选择输入设备（内置麦克风或外接）；
3. 把延迟参数调到 20–30 秒，兼顾实时性和识别质量；
4. 开始录音，实时查看逐句结果。

如果是在讲座、发布会这类场合，可以打开演示窗口全屏展示实时转录，观众抬头就能看到字幕，还能自定义字体大小和颜色。想要显示更干净，就调高静音阈值过滤背景噪音、隐藏尚未确认的部分；担心电脑卡顿，就拉大转录步长降低系统负载。

另外在"首选项 → General"里可以勾选"实时录音转录导出"，并指定导出目录，散会即出稿、自动落盘。

从手动到全自动：命令行与文件夹监控两条自动化路线

手动点按钮适合零散任务，批量场景就该上命令行。Buzz 的 CLI 以buzz add为核心：

# 转录单个文件并指定语言和模型 buzz add --task transcribe --language zh --model-type whisper --model-size medium input.mp3 # 批量处理目录下所有 MP3 buzz add --model-type whispercpp --model-size small *.mp3 # 输出 SRT 字幕 buzz add --task transcribe --srt video.mp4 # 同时导出 SRT、VTT、TXT buzz add --task transcribe --srt --vtt --txt audio.wav # 指定输出目录 buzz add --task transcribe --output-dir ./transcripts audio_files/*.mp3

高级参数同样能带进命令行：--prompt "专业术语：神经网络，机器学习"注入提示词，--word-timestamps开启单词级时间戳，--extract-speech分离人声，--hide-gui则让任务在后台静默跑完——非常适合放进定时脚本里。

不想写脚本，就用文件夹监控：在"首选项 → Folder Watch"里指定一个目录，Buzz 会盯着它，一旦有新音频文件落入就自动转录。还能配置是否递归监控子目录、按扩展名过滤文件类型，以及处理完成后对原文件移动、重命名或删除。配合"跳过已转录文件"插件，把文件重新丢进监控目录也不会重复劳动。

让字幕"听话"：批量整形与说话人识别

转录出来的文字经常一段长一段短，直接导出成字幕很难看。Buzz 内置了"字幕调整"功能，打开 Resize 面板就能给字幕"整形"：

• 期望字幕长度：控制每行字幕字符数，默认 42，适合快速对话可以调小，演讲内容可以调大；
• 按间隙合并：把间隔小于 0.2 秒的片段拼起来；
• 按标点分割：遇到句号、逗号自动断行；
• 按最大长度分割：强制每行不超过设定长度。

经验是"间隙合并 + 标点分割"组合使用，字幕最自然。

需要区分发言人时，还有说话人识别功能，会议记录里谁说了什么一目了然。

给转录流水线加点私货：插件系统 🧩

从 1.4.5 版本开始，Buzz 支持插件扩展，不用改核心代码就能定制流程。内置插件已经覆盖了不少高频需求：

• AI 摘要：调用 OpenAI 兼容 API，把整段转录浓缩成摘要，存进备注或单独文件；
• 增强语言检测：转录前用本地 Whisper 模型先定语言，适合完全未知语种的音频；
• 导出 DOCX：一键把转录导出成 Word 文档，可选带时间戳；
• 转录调整：自动把单词级片段重组成字幕大小的块，按间隙合并、按标点分割、强制最大长度，和前面的 Resize 是一对好搭档；
• DeepFilterNet 降噪：转录前用 AI 模型去背景噪音，处理后的音频会存成_DeepFilterNet3.wav新文件；
• 跳过已转录文件：检查结果文件或转录数据库，避免重复劳动。

管理入口在"帮助 → 插件"：可以启用/禁用单个插件、拖拽调整执行顺序、点设置图标配置参数，甚至通过"添加 URL"安装社区插件。想自己写插件的话，仓库里的buzz/plugins/目录和plugins/AGENTS.md文档就是最好的入门教材。

疑难排解速查表：慢、不准、延迟高，分别怎么办

收尾：一份可以立刻照做的行动清单 ✅

按部就班走完这篇文章，你已经具备了把 Buzz 用出生产力的所有知识。接下来建议这样推进：

1. 按自己的系统完成安装，打开主界面确认运行正常；
2. 用一段 1 分钟内的短音频跑通"导入 → 转录 → 导出"全流程；
3. 尝试验证不同模型档位，找到自己场景下的效率/准确率平衡点；
4. 下次开会时打开实时录音，体验"散会即出稿"；
5. 把常用批次整理成一个文件夹，配置监控目录，让转录真正自动化；
6. 需要时按需启用插件，把流水线调成自己的形状。

工具是死的，工作流是活的。把重复的听写交给 Buzz，把时间留给真正需要判断力的事——这才是本地语音转文字工具存在的意义。现在就装一个，用第一条录音开始吧。

【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