企业官网建设流程全解析

Buzz 离线语音转文字实战指南：三步跑通本地 Whisper 转录，四个关键配置

【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

Buzz 是一款基于 OpenAI Whisper 的开源离线语音转文字工具，99 种以上语言的转录与翻译全部在你的电脑上完成，音频不上传任何服务器。它有图形界面和命令行两种入口，本文带你依次做完四件事：装好并拿到模型、跑出第一条本地转录、实时录音出字、批量自动归档，最后调四个影响速度和准确率的开关。

怎么安装 Buzz 并拿到模型文件

按你的系统选一条路：

• Windows / macOS：从 SourceForge 下载安装包或.dmg。Windows 版没做代码签名，安装弹窗点"更多信息" → "仍要运行"；Intel Mac 只支持到 1.4.5。
• Linux：Flatpak 或 Snap 二选一：flatpak install flathub io.github.chidiwilliams.Buzz，或sudo snap install buzz。
• Python 环境：建议 Python 3.12，先装好 ffmpeg，然后：

pip install buzz-captions python -m buzz

模型文件第一次使用时自动下载，缓存在~/.cache/Buzz（Linux）、~/Library/Caches/Buzz（macOS）或%USERPROFILE%\AppData\Local\Buzz\Buzz\Cache（Windows）。下载慢就先设镜像变量再启动 Buzz：

export HF_ENDPOINT=https://hf-mirror.com

完全无网的机器，在一台联网电脑上用 scripts/download-models.py 预打包模型文件夹，原样拷到目标机器的同一位置即可。

四步跑通第一次本地转录

1. 导入：用"文件"菜单或工具栏的"+"导入 MP3、WAV；MP4、MKV 这类视频也可以直接丢进去，Buzz 会自动抽出音轨。
2. 选任务：默认"transcribe"；把外语翻成目标语言就选"translate"。
3. 指定语言：知道说什么语言就手动选。自动检测只听开头几秒的音频，手动指定误识别明显更少。
4. 选模型并运行：先用base或small试手感，状态列变"已完成"后双击该行打开查看器，边听边对。

主界面左侧是任务列表，右侧是模型、任务与语言设置，任务列表在重启应用后依然保留：

查看器里支持全文搜索（Ctrl+F）、0.5x–2.0x 变速播放，核对完文本可导出 TXT、SRT、VTT：

怎么配置实时录音边说边出字

任务选"录音"，挑好麦克风点"录音"，文字跟着说话逐句蹦出来。高级设置里的"Live recording mode"决定新句子往哪放，三种模式效果差别不小：

• Append below：最新一句沉在底部，适合从上往下读。
• Append above：最新一句顶在最上面，不用滚动就能看到当前内容。
• Append and correct：新句子入列的同时，持续修正上一句末尾的识别错误，成稿最接近人工记录，但更吃算力——多人访谈、术语多的会议选它。

两个配套能力：

• 实时转录导出：在高级设置里开启并填导出目录，文字边生成边写进一个 TXT 文件，OBS 等直播软件可以直接读这个文件做字幕源；开了翻译的话，译文单独落在.translated.txt里。
• 演示窗口：打开后文字投到大屏，现场演讲、会议展示时观众同步看到。
• 多人对话想分清谁说了什么，在查看器里用说话人识别功能自动区分并标注不同说话人。

怎么把视频做成能直接用的 SRT 字幕

视频字幕靠两个开关组合：

1. 高级设置里打开词级时间戳。Buzz 会给每个词打独立时间戳，这是细粒度切句的前提。
2. 转录完成后用查看器的调整大小：它按静音间隔和标点把散落的词合并成长度合适的字幕行，导出 SRT/VTT 直接挂进播放器或剪辑软件。

不想手动点的话，启用"自动字幕调整"插件（buzz/plugins/transcript_resizer/），它会在每次转录完成后自动执行同样的合并。默认规则：间隙 ≤0.2 秒的相邻词合并、遇句末标点换行、每行最长 42 字符，三条都在插件设置里可改。

怎么让批量转录自动跑

固定目录持续落录音的工作流，在"偏好设置 → Folder Watch"里指定输入目录和输出目录，Buzz 检测到新音频文件就自动建转录任务，你只管往里扔文件。

担心重复导入，启用"跳过已转录"插件：它发现音频旁边已有同名的 .txt / .srt / .vtt 结果文件（也可勾选查数据库记录）就直接复用旧结果、不再跑模型，重复任务几乎零成本。

同样的事命令行一句话搞定，适合写进脚本做定时归档：

buzz add --model-size small -l en --srt --vtt /path/to/audio.mp3

常用参数：-w开词级时间戳、-e转录前先做人声提取、--hfid指定 HuggingFace 模型 ID、--hide-gui跑完即退不弹窗口、-d指定输出目录，完整参数见 docs/docs/cli.md。

四个值得动的开关：后端与模型怎么选

1. 后端决定硬件怎么跑（偏好设置 → 模型），这是最容易被忽略也最影响速度的一项：

• Whisper.cpp：C++ 实现，Nvidia 显卡走 CUDA，AMD / Intel 显卡和核显走 Vulkan，Mac 上的最佳选择，带核显的笔记本也能跑实时转录。
• Faster Whisper：比原版快一个数量级且更省内存，前提是有显存 ≥6GB 的 Nvidia 显卡。
• OpenAI Whisper：原版实现，准确但慢、吃内存。
• HuggingFace 类型：能装 Parakeet、MMS（1000+ 语言）等定制模型，适合特定语种优化。

2. 模型大小按用途分档。草稿用 tiny / base 控耗时，终稿用 medium / large 换准确率，实时录音必须小模型才跟得上语速。large 系列里：large-v2 最稳，large-v3 很多语种最准但偶尔会"幻听"出音频里没有的词，large-v3-turbo 取速度和准确率的中间值。最保险的办法是拿自己的语言各测一遍。模型的下载、删除都在模型偏好页完成，点"显示文件位置"可直达缓存文件夹：

3. 语言与初始提示词。语言手动指定；人名、产品名这类专有名词总被转错时，在高级设置的"Initial Prompt"里填上正确拼写，模型会照着提示来。

4. 噪声与显存。嘈杂录音（背景音乐、键盘声）打开"语音提取"，Buzz 先把人声从背景里剥离再转录；显存不够时开"Reduce GPU RAM"，用 8 位量化模型（Whisper.cpp 对应 q8_0 / q5_0 量化版本）省下显存。

排错：常见症状先查哪里

环境变量必须在启动 Buzz 之前设好，完整变量说明见 docs/docs/preferences.md。

一句话选型：要"隐私 + 实时 + 免折腾"三者都要，Buzz 是本地方案里最省心的；只要一条命令批量跑、不碰界面，纯命令行转录工具更直接。

• CLI 参数全表：docs/docs/cli.md
• 转录核心逻辑：buzz/transcriber/
• 插件系统源码（自动字幕、跳过已转录等）：buzz/plugins/

【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