Buzz 离线语音转文字：从安装到 SRT 字幕导出的最短路径教程
【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
刚录完一场两小时的访谈，你需要一份可搜索的文字稿，但音频不能上传到任何服务器。Buzz 就是为这类场景设计的离线语音转文字工具：它基于 OpenAI Whisper 做本地转录，识别全程在你自己的电脑上完成。这篇文章带你走完"安装 → 转录 → 导出字幕"的完整流程。
方案定位：完全本地运行的 Whisper 转录工具
Buzz 是一个桌面应用，把音频转录和翻译完全放在本地运行——识别不经过任何云端服务，转录过程无需联网。它支持 Windows、macOS 和 Linux，覆盖会议记录、课堂笔记、访谈转写、视频字幕制作等常见场景，数据始终留在你自己的电脑上。
从下载到出稿的最短路径：三平台安装与第一次转录
按平台安装 Buzz
- macOS：下载对应芯片的
.dmg文件，双击安装即可（1.4.6 起仅支持 Apple silicon，Intel Mac 请使用 1.4.5 或更早版本）。 - Windows：下载安装包运行。应用未签名，出现安全提示时选择"更多信息 → 仍要运行"。
- Linux：通过 Flatpak 或 Snap 安装：
flatpak install flathub io.github.chidiwilliams.Buzzsudo snap install buzz也可以从 PyPI 安装后启动：
pip install buzz-captions python -m buzz完成第一次转录
打开后主界面分两块：上方任务列表展示所有转录任务及状态，下方导入表单用于添加新任务。顶部工具栏提供导入、偏好设置等常用操作。
- 点击工具栏"+",或在菜单选择"导入媒体文件"(快捷键 Ctrl+O / Cmd+O),选择本地音视频文件,支持 MP3、WAV、FLAC、OGG、OPUS 以及 MP4、MKV、MOV 等格式。
- 在表单中指定音频语言和模型。模型未下载时 Buzz 会自动获取,无需手动操作。
- 点击"运行",等待状态变为"已完成",双击任务行即可播放音频、核对文字。
三种姿势出字幕：本地文件、在线链接、实时录音
本地音视频文件
Buzz 内置 FFmpeg 解析媒体文件,除本地文件外,表单里还能直接粘贴在线音视频链接,Buzz 会先下载再转录。导入后可以在表单里设置:
- 语言：选择音频语言,留空则自动检测
- 模型：切换模型类型(Whisper、Whisper.cpp 等)与尺寸
- 任务：选"转录"或"转录并翻译",后者可同时得到原文加译文
- 高级设置：初始提示、词级时间戳、语音提取(从嘈杂背景中分离人声,降噪)
在线音视频链接
在文件输入框直接粘贴音视频 URL,或把链接作为参数传给命令行(见文末 CLI 示例)。Buzz 会先下载媒体文件再按同样的流程转录,适合不方便手动保存链接内容的情况。
实时录音转写
会议、课堂场景可以边录音边出文字：在实时转录区选择麦克风设备与语言,点击录制,Buzz 会随说话内容实时输出文字。偏好设置里可以配置导出路径、文件名模板和转录模式(下插、上插、追加并修正),实时结果还能导出为文本文件供 OBS 等直播软件调用。
把转录稿改成可用字幕：编辑、拆分合并与 SRT 导出
转录完成后,双击任务行进入转录稿视图。每行文字对应时间轴上的一段,你可以直接修改文字、拖拽调整起止时间,也可以把段落拆分或合并;上方播放器支持边听边核对,方便定位错误。
制作字幕时重点用"字幕调整"(Resize)功能:开启词级时间戳转录的内容,可以按目标长度自动拆分长句、合并间隔过短的片段,并支持按标点断句;还可以统一延长每条字幕的结束时间,让字幕在屏幕上多停留几秒。
编辑完成后,通过"导出"菜单保存结果,支持 TXT、SRT、VTT 三种格式——SRT 和 VTT 都是通用字幕格式,可直接用于视频平台或剪辑软件。做过翻译任务时,译文可以单独导出,不与原文混在一起;带说话人识别的转录还能导出按说话人分段的 DOCX 文档。
Whisper 本地转录模型尺寸速查表
Buzz 提供多个尺寸的 Whisper 模型,模型越大精度越高,但占用内存更多、耗时更长:
| 模型 | 下载大小 | 速度 | 精度 | 典型用途 |
|---|---|---|---|---|
| Tiny | 约 73 MB | 最快 | 基础 | 快速预览、低配设备 |
| Base | 约 139 MB | 快 | 良好 | 日常对话,推荐起点 |
| Small | 约 462 MB | 中等 | 较好 | 专业转录 |
| Medium | 约 1.5 GB | 慢 | 高 | 学术、高要求场景 |
| Large / Large-v3 | 约 2.9 GB | 最慢 | 最高 | 多语混说、精度优先 |
| Large-v3-turbo | 约 1.6 GB | 快 | 高 | 精度与速度兼顾 |
结论:日常使用 Base 或 Small 起步,精度不够再换更大的模型。所有模型都可以在偏好设置的"模型"页面下载、删除;Whisper.cpp 模型还支持量化版本(如 q5),用少量精度换取更低的显存占用。
让识别更准的几件事：初始提示、指定语言与收音质量
- 用好初始提示：录音里出现专业术语、人名、地名时,在高级设置里填写"初始提示"(Initial prompt)。Whisper 会把这段文字当作上下文参考,这类词的识别准确率会明显提升。
- 手动指定语言：自动检测靠开头几秒音频判断,对单语音频够用;但口音较重或混合语言的内容,手动指定主语言结果更稳定。
- 批量排队处理：一次可以添加多个文件,Buzz 自动排队依次转录;重复性的批处理任务更适合走命令行接口。
- 收音质量是第一变量：安静环境录制、外接麦克风、音量别过小或过大——模型无法完全弥补糟糕的收音,这一点比换更大的模型更有效。
进阶用法：命令行批处理与 Folder Watch 自动监控
Buzz 提供完整的命令行接口,可在命令中直接指定模型、语言和输出格式:
buzz add --task transcribe --model-type whispercpp --model-size small --srt --vtt audio.mp3这条命令用 Whisper.cpp 的 small 模型转录文件,并直接导出 SRT 与 VTT 字幕,适合脚本化批处理。--task可换translate做翻译,--language指定语言,完整参数见 CLI 文档。
界面端也有自动化方案:在偏好设置中开启"Folder Watch"并指定输入、输出文件夹,新放入输入文件夹的音频会自动开始转录,结果保存到输出文件夹,还能选择转录后删除源文件。相关实现见 folder_watch_preferences_widget.py。
小结：一条不出本地的转录闭环
Buzz 把导入、识别、编辑、字幕导出做成了一个完整闭环,而音频与文字数据全程不离开你的电脑。新手建议先做一个最小验证:转录一段 1 分钟的音频并导出 SRT 字幕,把整套流程跑一遍;之后再按内容需求调整模型尺寸、开启文件夹监控。更多参数说明可查阅 官方文档。
【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
