把两小时会议录音离线转成字幕：Buzz 本地 Whisper 转写实践笔记
【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
电脑里躺着一段两小时的会议录音，你想拿到文字稿，却不想把录音整个上传到云端——云端 API 按分钟计费，内容还可能有不便外传的敏感信息。Buzz 就是干这个的：一个在你自己电脑上离线运行 OpenAI Whisper 的桌面工具，把音频转成文字、再翻译成目标语言，全程不联网、不出机器。
Buzz 到底是什么，为什么要本地跑 Whisper
Buzz 是什么？它是一个 Python 桌面应用，界面用 PyQt6 搭建，核心引擎是 OpenAI 开源的语音识别模型 Whisper，同时打包了 whisper.cpp、faster-whisper 等多个本地推理后端。跟云端转写服务或者裸跑 whisper 命令行相比，它的差异点有三条：
- 完全本地：音频文件不离开你的机器，识别和翻译都在本机 GPU/CPU 上完成，适合处理不便上传的录音；
- 多后端可切换：同一个界面里可以用 PyTorch 版 whisper（Nvidia CUDA 加速）、whisper.cpp（Vulkan 加速，核显也能跑）、faster-whisper、Hugging Face 上的 Whisper 兼容模型，甚至直连 OpenAI API 兜底；
- 图形界面和命令行双模式：偶尔用一次就点鼠标，要批量处理或写进脚本时用 CLI，输出直接落到 SRT/VTT/TXT 文件。
Buzz 离线转写最简安装步骤
最短的路径是从 PyPI 装现成的包，不需要自己编译源码。环境要求先列清楚：
- Python 3.12（项目锁死了版本，3.10/3.11 装不上核心依赖）
- 系统里装有 ffmpeg（负责解码音视频）
- GPU 是可选项：Nvidia 显卡走 CUDA，Apple Silicon 走 CoreML，其他显卡可用 whisper.cpp 的 Vulkan
# 需要 Python 3.12 环境，且系统已装好 ffmpeg pip install buzz-captions buzz --version # 能打印出版本号就说明装好了Windows 用户也可以直接去官网下安装包，装的时候 SmartScreen 会警告（应用未签名），选"更多信息 → 仍要运行"即可。
拆五个核心能力，看懂 Buzz 离线转写能干什么
Buzz 内置了 5 种推理后端、支持 90 多种语言的识别，能力大致可以拆成五个块，按使用频率从高到低过一遍。
本地转写：文件变成字幕
最常见的诉求：丢进去一段录音或视频，吐出来文字稿或字幕文件。命令行一条命令就能跑，模型没下载过会自动先下载再转写：
# 用 whisper.cpp 的 small 模型转写，同时输出 SRT 和 TXT buzz add --model-type whispercpp --model-size small \ --srt --txt ~/recordings/meeting.mp4注意两点：默认tiny模型只是预览级精度，正式稿建议至少small；输出默认放在源文件同目录，想换地方加--output-directory。
转写查看器：搜索、播放与时间轴修补
转写第一稿几乎总需要人工细调，Buzz 的转写查看器把这件事做成了一个带搜索框、可跟随播放、能调速的文本编辑器。点任意一行文本就会跳到对应时间点播放；觉得哪句字幕时间戳飘了，用时间轴调整工具（resizer）直接拖动起止时间即可，调完重新导出 SRT 就是修好的字幕。
坑在于：调整只改本地数据，记得重新导出，否则旧字幕文件还是错的。
音频翻译：外语录音变目标语言文本
不光要文字稿、还要中文稿的时候，用translate任务而不是transcribe——它先转写成源语言，再翻成目标语言：
# 把法语访谈翻译成中文，-l 指定源语言可避免误判 buzz add --task translate --language fr \ --txt ~/recordings/interview.mp3要提醒的是：翻译 = 转写 + 翻译两段计算，耗时接近纯转写的两倍，长音频建议先纯转写确认内容再决定翻不翻。
实时转写与说话人分离
开会、做演讲时需要实时字幕，就点录音按钮从麦克风直接转，还能开一个"演示窗口"——大字体的独立窗口，投屏或挂第二块屏幕上给观众看。多人录音想分清"谁说了什么"，转写时勾上说话人分离，Buzz 会在识别前先做语音分离再逐段转写，效果对背景嘈杂的录音提升明显。
边界要说清楚：实时转写是资源大户，低配机器上"实时"要打个折扣；说话人分离依赖音色差异，两个人音色太接近时区分会糊。
命令行与文件夹监视：批量自动化
文件多了不想点鼠标，命令行一次丢进去一批，也可以直接给一个 URL（yt-dlp 会负责下载）。配合--hide-gui可以完全无界面地跑在后台：
# 批量转写整个目录，不弹主窗口 buzz add --hide-gui --srt --txt ~/audio/*.mp3另外 GUI 里有个文件夹监视功能：指定一个目录，新落进去的文件自动排队转写，适合"录完就扔进去"的工作流。
常见报错与一行排查命令
前七天你会踩的问题，基本集中在"装不上、跑不动、结果不对"三类，这里按出现频率从高到低列出来。
1.buzz: command not found现象：pip 显示安装成功，终端敲 buzz 没反应。 原因：Python 环境不是 3.12，或安装脚本的目录不在 PATH 里。 解法：绕开 PATH 直接用模块入口启动：python -m buzz
2. Linux 上 GUI 起不来现象：启动时报缺少libxkbcommon-x11-0、libportaudio2之类的库。 原因：系统级的 GUI/音频库没装，pip 包不带这些依赖。 解法：sudo apt-get install libportaudio2 libxkbcommon-x11-0 ffmpeg（完整依赖清单见 安装与系统依赖）
3. 转写慢得离谱现象：十分钟的音频在 CPU 上跑了半小时还没完。 原因：大模型在 CPU 上硬跑，这是最典型的性能事故。 解法：换 whisper.cpp 走 Vulkan，或换小一档的模型：buzz add --model-type whispercpp --model-size small --txt demo.mp3
4. 识别成乱码或错误语言现象：英语录音被识别成波兰语，满屏奇怪字符。 原因：短音频或噪声大时，自动语言检测容易翻车。 解法：显式指定语言，别依赖自动检测：buzz add --language en --txt demo.mp3
5. openaiapi 报No OpenAI access token found现象：选了 OpenAI API 后端，一启动就报错退出。 原因：API token 没有保存过。 解法：命令行显式带上 token：buzz add --model-type openaiapi --openai-token 你的token demo.mp3
性能与规模化：音频变长后先选模型
同一段十分钟的音频，在同等硬件上 tiny 和 large 的耗时差距能到一个数量级，所以"选对模型和后端"比任何调参都管用。before/after 的体感对比大致是这样：
- before：
large模型 + 纯 CPU，十分钟音频要等几十分钟，CPU 风扇狂转； - after：
small模型 + whisper.cpp 的 Vulkan 后端（核显或独显都行），几分钟内出稿，精度对多数场景够用。
具体怎么选，看 模型选择界面 背后的设置逻辑：Nvidia 显卡选 whisper（CUDA），核显/其他显卡选 whisper.cpp（Vulkan），Apple Silicon 直接用系统加速。下面是两种典型档位：
# 快速预览：tiny 模型，精度最低但最快 buzz add --model-size tiny --txt ~/audio/demo.mp3 # 正式稿：whisper.cpp 的 small 模型，精度与速度平衡 buzz add --model-type whispercpp --model-size small --txt ~/audio/demo.mp3如果素材本身噪声大，别一味堆大模型，先勾上"转写前语音分离"（extract speech）往往更划算。
延伸资源 & 下一步
官方文档里最值得先读的两页：CLI 参数参考（add命令的完整选项表，90 多种语言代码都在里面）和 插件系统（AI 摘要、自动字幕重排这些扩展是怎么挂上去的）。读完本文，你的下一步可以很简单：挑一段自己最长的会议录音，先用 tiny 模型跑一遍看流程通不通，再换 small 出正式稿。
【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
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
