如何用免费离线音频转录工具Buzz把录音变成文字？零基础用户的完整上手指南
项目地址: https://gitcode.com/GitHub_Trending/buz/buzz 你手机里是不是也躺着几段"改天整理"的录音？会议开了两小时，纪要却迟迟没人写；采访录了半小时，逐字稿熬到半夜；视频剪完了，字幕还在等外包。把声音变成文字，听起来很简单，做起来却总被两件事卡住：要么工具要联网上传、泄露隐私让人不放心，要么动不动就要开会员。
今天要介绍的这款免费离线音频转录工具，能把上面这些麻烦一次性收走。它叫Buzz，完全跑在你自己的电脑上，不联网、不充值、不把音频交给任何第三方，就能把会议、采访、讲座甚至视频里的语音，转成带时间戳的文字、字幕或翻译稿。它的引擎是OpenAI开源的Whisper，而你只需要像用普通软件一样点几下鼠标。
先聊一个绕不开的话题：音频为什么要"就地处理"
很多转录服务用起来很爽，但代价是你要把音频传出去。如果是产品评审会、医疗访谈、尚未公开的课程，你愿意让它们经过别人的服务器吗？
Buzz的思路截然相反：录音文件、模型、转录结果，全部留在本机。你断了网也能照常工作，关掉软件再打开，历史任务还在。把两种方案放在一起看，差别一目了然：
| 考量角度 | Buzz本地方案 | 云端在线方案 |
|---|---|---|
| 文件去向 | 全程不出设备 | 需要上传至服务商 |
| 断网可用 | 完全不受影响 | 掉线即罢工 |
| 长期成本 | 一次性零成本 | 按分钟或按会员计费 |
| 规模化操作 | 批量、队列随意排 | 通常受配额限制 |
| 可调校空间 | 模型、参数、插件皆可改 | 只能接受现成功能 |
一句话概括：如果你希望"数据我说了算、成本我说了算、节奏我说了算"，本地方案就是那个更省心的答案。
第一条路就走对：三个平台的安装选择
Buzz对Windows、macOS、Linux一视同仁，安装方式各有一条最省事的路径：
- Windows：从项目发布页下载安装包，双击按提示走完即可。未签名软件第一次启动会弹出安全提示，选择"更多信息→仍要运行"就能继续。
- macOS：下载DMG文件拖入应用程序，或通过Homebrew一条命令装好。
- Linux：Flatpak或Snap任选，命令安装几秒完成。
如果你习惯用命令行，也可以从PyPI安装，适合想追新版、或想把它嵌入自己脚本的朋友：
pip install buzz-captions
python -m buzz
💡 小贴士：普通用户直接下载对应系统的安装包就好，全程不需要接触任何命令行。
把第一个文件变成文字：一次完整的转录实操
装好后打开Buzz，主界面是一个简洁的任务列表。点击左上角的加号，选一个音频或视频文件——MP3、WAV、MP4、MKV都在支持范围内。接着做两个选择：任务类型选"转录"还是"转录并翻译"，再选定目标语言和模型。点下"运行"，进度条开始走动，你只需要等它跑完。
第一次用不必想太多，直接选默认模型、语言选"自动检测"就好。跑完之后双击任务，就能看到逐段文字、每段起止时间，还能直接在界面上播放音频对照着改错。到这里，你的第一条转录就已经完成了。
模型不是越大越好：选对"搭档"的实用逻辑
Buzz背后有多套Whisper实现，模型从小到大有好几个档位。新手常见的误区是"无脑上最大号"，结果等得心焦。其实选模型要看三件事：你的电脑配置、你的用途、你能等多久。
| 模型档位 | 体积 | 一句话定位 | 更推荐谁用 |
|---|---|---|---|
| Tiny | 约75MB | 能跑就行，图快 | 临时预览、配置一般的电脑 |
| Base | 约142MB | 速度与质量的中间地带 | 日常会议、随手记录 |
| Small | 约466MB | 明显更准，等待可接受 | 播客、访谈等正式内容 |
| Medium | 约1.5GB | 准，但开始吃配置 | 学术资料、重要录音 |
| Large | 约2.9GB | 接近顶配的准确率 | 多语言、专业级素材 |
先拿一小段音频试跑，比对着参数表纠结半天更实际。如果你的电脑有NVIDIA显卡或Apple Silicon芯片，Buzz会自动用上GPU加速，同样一段录音的等待时间能缩短大半；模型下载好了会一直存在本地，下次直接调用。
准确率不是玄学：四个日常就能养成的习惯
转录结果不够准，多数时候不是工具的问题，而是使用习惯没跟上。把下面四件事养成习惯，准确率提升立竿见影：
- 手动指定语言。自动检测多数时候靠谱，但遇到中英混杂的录音时，明确告诉它"这是中文"，能少走很多弯路。
- 善用"初始提示"。在高级设置里把专有名词、人名、产品名提前写好，比如"GPT-5、Transformer、王小虎"，模型会照着这个"小抄"去听，拼写错误大幅减少。
- 给录音降噪。噪音是转录的头号杀手。Buzz支持在转录前先做降噪处理，嘈杂的现场录音可以先"洗一遍"再转。
- 转录后逐段校对。转录查看器里可以倍速播放、定位跳转，边听边改，把最后一道关把在自己手里。
从"能看"到"能发出去"：字幕与导出的一站式加工
转录结果不只是给你自己看的。做视频的可以把文字直接导出成字幕文件；做研究的可以导出纯文本归档；做开发的可以导出结构化数据二次处理。
Buzz支持四种导出格式，按需取用即可：
- TXT：纯文本，适合笔记整理和文档归档
- SRT：通用字幕格式，主流剪辑软件都能直接导入
- VTT：网页视频字幕常用格式
- JSON：带时间戳的结构化数据，适合程序化处理
导出之前，你还能对字幕做"整形"：把过短的碎句合并、按标点或字数拆开长句、调整目标长度，让字幕的节奏更接近人眼阅读习惯。加字幕的活儿，到这里就完成了大半。
如果内容需要外语字幕，直接在任务上点"翻译"，Buzz会基于Whisper的翻译能力生成译稿，同样可以导出成SRT或VTT。
再进一步：录音、监视与插件
当你能熟练转录文件之后，Buzz还有几个"开了就回不去"的能力：
- 实时录音转录：插上麦克风，点下录音按钮，会议内容一边说一边变成文字。还能打开"演示窗口"全屏展示，开会、讲座时投屏出来，现场效率直接拉满。
- 文件夹监视：设定一个文件夹，之后丢进去的每一个音视频文件都会被自动转录，适合批量处理素材的流水线作业。
- 插件生态：Buzz带了一套插件机制，比如自动生成摘要、导出Word文档、跳过已处理过的文件、增强语言检测等。装上之后，很多重复劳动可以彻底交给工具。
- 命令行接口：想把自己从点击中解放出来，可以用命令行批量提交任务，脚本化处理一批录音。
这些功能都收纳在设置与插件管理界面里，随时按需开关。
新手常问的三个"然后呢"
问：模型下载半天不动，怎么办？ 模型体积不小，第一次下载请留足耐心；也可以更换模型下载源，或在网络更好的时段重试。模型只会下载一次，之后都在本地随取随用。
问：系统提示软件来路不明，安全吗？ 开源软件没有商业签名，被系统拦一次很正常。选择"仍要运行"即可，源代码完全公开，你甚至可以自己查看、自己构建。
问：电脑没有独立显卡，是不是就不能用？ 完全不是。CPU模式照样跑，只是慢一些——短音频毫无压力，长音频可以分段处理。若机器配置允许，启用GPU加速体验会明显提升。
从第一段转录到日常依赖：一条平缓的进阶路线
不必一步到位，按自己的节奏慢慢加码：
- 第1周：跑通流程。装上软件，转录三五段短音频，把导出、校对、翻译都摸一遍。
- 第2周：建立习惯。把实时录音和演示窗口用进真实会议，感受"边说边出字"的工作方式。
- 第3周：开始提效。配置文件夹监视、试跑降噪插件、把常用参数固定下来。
- 之后：交给自动化。研究命令行接口和插件扩展，把转录真正嵌进你的工作流。
现在就试：把第一条录音交给Buzz
回到开头那个问题——那些"改天整理"的录音，其实今天就能处理完。Buzz免费、离线、尊重你的隐私，唯一需要你付出的，是第一次打开它、拖进第一个文件的动作。
给你留三个最小行动：
- 下载安装包，完成安装；
- 找一段一分钟左右、音质尚可的录音，走完第一轮转录；
- 把结果导出成TXT或SRT，感受一下"声音变成资产"的瞬间。
别让素材继续躺在角落里积灰了。打开Buzz，放上你的第一段音频，剩下的交给本地算力就好。
如果你想更深入地了解它，可以继续翻阅：
- 官方文档：docs/docs/
- 核心转录源码：buzz/transcriber/
- 设置模块：buzz/settings/
- 插件体系：buzz/plugins/
- 想自己动手构建，可用以下地址拉取代码：
git clone 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
