Buzz 离线语音转文字

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

  1. 到 Releases 页下自己系统的安装包,Windows 装完直接有桌面图标。
  2. 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。
  3. 把音频或视频拖进窗口,语言选中文,任务选转录,点运行。
  4. 跑完在右侧看到带时间码的文本,点导出选 SRT 或 TXT。
  5. 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

声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。