
Buzz 是开发者 chidiwilliams 用 Python 写的开源语音转文字桌面工具,GitHub 约 2.3 万星,MIT 许可,基于 OpenAI 的 Whisper 系列模型在本地跑,录音和视频拖进去就出字幕文件,全程不需要联网,也不用按分钟付费。
做内容的人手里都堆着一批「只有声音」的素材:采访录音、播客原轨、三个小时的直播回放、网课录屏。想把它们变成能搜、能剪、能发公众号的文字,要么手工听打,一小时录音打四小时;要么丢给在线转写服务,按分钟计费,长音频还要排队,敏感内容更不敢往上传。
它到底在解决什么
Buzz 把 Whisper 这套模型包进了一个普通桌面软件的界面里:选文件、选语言、点运行,出来的就是带时间轴的字幕。它支持切换后端,从官方 Whisper 到 whisper.cpp、Faster Whisper,机器弱就用轻量后端,有显卡就开 CUDA 加速。据 GitHub 项目页显示,它的卖点是「transcribes and translates audio offline on your personal computer」,翻译也一并做了。
关键参数一览
| 项目 | 情况 |
|---|---|
| 运行方式 | 本地桌面应用,离线可用 |
| 识别后端 | Whisper、whisper.cpp、Faster Whisper,也可选接入在线 API |
| 导入格式 | mp3、wav、m4a、mp4 等常见音视频 |
| 导出格式 | TXT、SRT、VTT、CSV(带时间码) |
| 附加能力 | 转录后翻译成英文,可批量排队处理多个文件 |
| 许可 | MIT,可自由修改与分发 |
适合人群
- 播客和视频号作者:一期节目先出文字稿,再决定切哪几段做短视频
- 记者、访谈类内容:录音两小时内出稿,核对引用快得多
- 做课程的知识博主:录播课自动生成字幕,省掉逐句听打
- 不想把素材交给在线服务的人
上手步骤
- 到 Releases 页下自己系统的安装包,Windows 装完直接有桌面图标。
- 第一次运行它会提示下载模型,机器一般选 small 或 medium 起步,显存够再上 large。
- 把音频或视频拖进窗口,语言选中文,任务选转录,点运行。
- 跑完在右侧看到带时间码的文本,点导出选 SRT 或 TXT。
- 要批量处理就在同一个窗口继续添加文件,它会排队跑,不用一个个盯。
几个容易踩的点
没有显卡时别一上来选 large,三小时音频能跑上一整晚,先用 small 试效果再决定。中文标点偶尔缺失,导出后过一遍编辑器补标点最快。带背景音乐和人声重叠的素材识别率会掉,能用原声轨就别用混音版。
问:Buzz 会把我的录音传到网上吗?
答:本地模型模式下完全不联网,音频不出本机。只有你主动选择接入在线 API 后端时才会调用外部服务。
问:识别准不准?
答:普通话清晰录音、medium 以上模型,错字率通常在一成以内,专业名词和方言会掉。要求高的话导出后人工过一遍,比从零听打还是快很多。
问:没显卡的笔记本能跑吗?
答:能,切 whisper.cpp 或 Faster Whisper 后端,纯 CPU 也能跑,只是慢。先用短音频试一次,心里有数再处理长录音。
问:能直接从视频里出字幕吗?
答:可以,mp4 直接拖进去,它自己抽音轨。导出的 SRT 能直接导入剪映和其他剪辑软件用。
最后更新:2026-11-10
