Buzz 离线语音转录工具：本地音频转文字与字幕，文件不离开电脑
项目地址: https://gitcode.com/GitHub_Trending/buz/buzz Buzz 是一个完全离线语音转录工具，基于 OpenAI 的 Whisper 模型，把音频和视频在本地转成文字或字幕，文件不用上传到任何云端。
把 90 分钟的采访拖进窗口
你有一段 90 分钟的采访录音躺在文件夹里。点开 Buzz，点左上角的「+」，选中这个文件，选好语言和模型，点「运行」。几分钟后，状态栏变成 Completed，双击那一行，逐句带时间戳的文字稿就摆在眼前。
整个过程没有联网，录音从头到尾没离开过你的硬盘。和需要把文件传到云端的在线服务不同，Buzz 的所有识别计算都在本地完成，适合处理会议录音、采访、课程等不方便外传的内容。
本地转录，原理其实很简单
一句话：Buzz 把音频喂给运行在本机的 Whisper 模型，模型逐句输出文字和时间戳，再按需导出成 TXT、SRT 或 VTT。
它背后接了多种推理引擎，比如原生 Whisper、带 GPU 加速的 Whisper.cpp、Faster Whisper 和 Hugging Face 模型，你可以根据机器配置挑最顺的那个，支持 90 多种语言。
三步跑通第一次离线语音转录
安装：Windows 装安装包（提示安全警告时选「更多信息 → 仍要运行」），macOS 拖 .dmg 到应用程序，Linux 用 flatpak install flathub io.github.chidiwilliams.Buzz 或 sudo snap install buzz。
导入并转录：点「+」选音频或视频文件，在任务里指定语言（手动选比自动检测更准），挑一个模型，点「运行」。第一次用建议从 small 或 medium 起步。
打开结果：完成后双击任务行，就能在转录查看器里核对、搜索、播放、改文字，再导出成你要的格式。
用在工作里：采访稿与视频字幕
采访录音整理成文字稿
输入是一段采访音频。导入后选 medium 模型、手动指定语言，点「高级」里的 Initial prompt 填几个容易写错的专有名词，能明显减少错字。转录完成后在查看器里核对，需要的话用「识别说话人」把不同人的句子打上标签。最后导出 TXT，直接交给编辑。
给视频做字幕
输入是一段视频，Buzz 会自动抽出音轨再转录。生成时勾选 Word-Level Timings，然后点「Resize」，按最大长度和标点重新合并出字幕行，还能给每条字幕延长停留时间。导出 SRT 或 VTT，拖进剪辑软件就是现成的字幕。
遇到转录慢或不准时怎么办
- 遇到转录太慢：换小一号的模型（tiny、base），或改用支持 GPU 加速的 Whisper.cpp 后端；后台关掉吃资源的程序也能省出时间。
- 遇到识别不准：优先手动选对语言，把背景音重的素材开启「提取语音」，重要内容再上大一号的模型，并在 Initial prompt 里补上术语。
- 遇到 GPU 显存吃紧：在偏好里打开减少 GPU 显存占用，用量化版本的小模型替代。
- 遇到多人对话分不清：用「识别说话人」功能给每句打上标签，再把同一人的连续句子合并。
继续探索：模型、文件夹监视与命令行
模型下载与删除在「偏好 → Models」里管理，设好默认模型后日常使用更省心。想让新录音自动转录，用「偏好 → Folder Watch」指定输入目录，放入新文件即自动处理。需要脚本化批量处理时，命令行 buzz add 支持指定模型、语言、导出格式等参数。更多细节见官方文档，插件系统源码在 plugins/。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
