录音不想传到别人服务器：Buzz 把 Whisper 装进本机，离线转写自带时间轴，字幕直接导出 SRT

先把一件事说清楚：把一段录音变成带时间轴的字幕，今天并不难。讯飞听见、通义听悟、剪映、必剪，甚至浏览器里开个网页，都能做。难的是另一件事——你能不能接受这段录音先被传到别人的服务器上。

采访录音里有受访者没公开过的说法，会议录音里有客户的报价，课堂录音里有别人的声音，医生的问诊录音更不用提。这类东西，很多人是「知道有风险，但也没别的办法」才上传的。

Buzz 解决的就是这一步。它把 OpenAI 开源的 Whisper 模型整个装进你自己的电脑，音频在本地解码、本地推理、本地出结果，全程不往外发一个字节。装好之后，转写这件事的成本从「每分钟多少钱」变成了「你的电脑跑多久」。

它到底是个什么东西

一句话：Whisper 的命令行太硬，Buzz 给它套了一个能用的桌面壳。作者 Chidi Williams 从 2022 年 9 月开始做，一路做到今天 22,168 star、1,637 个 fork，MIT 许可，最近一次代码提交就在昨天（2026-10-24）。

表格里最该注意的是「后端」那一行。绝大多数同类工具只给你一个模型，Buzz 给了五个——这不是炫技，而是它敢让「同一段音频、不同硬件」都跑得动的原因。

五个后端，到底该选哪个

把选项摊开看，每个后端其实对应一种硬件处境。

顺手说一个判断方法：只要你的电脑有独立显卡，就用 Faster Whisper；没有，就用 Whisper.cpp。前者少等一半时间，后者保证你不会卡在「装不上 CUDA」这一步。

官方主界面截图里其实就把这件事拍出来了——四个任务并列，模型栏分别写着 Faster Whisper（Medium）、Whisper（Medium）、Hugging Face、Whisper.cpp（large-v3-turbo），状态从「排队」「运行中 55%」到「完成 26 秒 / 2 分 27 秒」。注意：那是四个不同的文件配不同的模型，不能当跑分看，但它很直观地说明了一件事——换后端，等待时间是以分钟计的差别。

模型大小怎么挑：这是唯一真正影响结果的选项

后端决定「多快」，模型决定「多准」。Whisper 一共六档常用尺寸，体积和精度基本是线性关系。

给三个具体建议：

• 中文内容，别从 tiny 起步。小模型的常见表现不是「听错一个词」，而是整段开始自己编——安静段落会冒出原文里没有的句子。这一档适合英语、不适合中文。
• 先拿一段 3 分钟的样本做对照。同一段音频分别用 small 和 medium 跑一遍，自己看哪一版能直接拿去用。这一步花不了十分钟，能省掉后面几小时的返工。
• 模型是第一次用时才下载的，不是装软件时一起下。所以第一次点「运行」会卡一会儿，别以为是卡死了。

Windows 那 2.5 GB 是怎么回事

这是最多人卡住的地方，得单独说。官方的 Windows 下载不是「一个安装包」，而是三个文件：

• Buzz-1.4.5-windows.exe——只有 4.2 MB，真正的启动器
• Buzz-1.4.5-windows-1.bin——约 2.0 GB
• Buzz-1.4.5-windows-2.bin——约 567 MB

三个文件必须全部下完、放在同一个文件夹里，再运行那个 exe。少一个都装不上，但报错信息不会直接告诉你「你少下了一个 bin」。很多人以为是安装包坏了，其实是只点了第一个。

另外两件事提前知道：

第一，安装包没有做代码签名。Windows 会拦一下，点「更多信息」→「仍要运行」即可。这不是病毒提示，是这个项目没买签名证书——开源项目里很常见。

第二，macOS 分了两条线。官网现在把产品拆成「Buzz Classic」（Windows / Linux / macOS Intel，就是 GitHub 上这个跨平台版本）和「Buzz on macOS」（原生外观，但只支持 Whisper.cpp 与 OpenAI API）。README 里写得很直接：Buzz 现在要求 Apple Silicon，最后支持 Intel Mac 的版本就是 1.4.5。所以老 Intel 机器不是不能装，是只能停在 1.4.5，别指望后续更新。

顺带提一句：官网挂的那个 Mac App Store 徽章，我这里点开是 404（查美国区商店也没有条目）。能稳定下到的还是 GitHub Releases 和 SourceForge 上的 Classic，别在商店里绕。

真正省时间的是这三件事

如果只把它当「拖进去、等、导出」，它和一个网页版没本质区别。它真正的优势在三个地方。

一、监视文件夹：把「转写」变成自动的

设一个文件夹，之后往里丢文件就行，Buzz 会自动排队转写。这一条对做播客、做课程、做访谈的人几乎是决定性的——不用坐在电脑前守着点按钮，录完直接丢进去，去干别的。批量素材尤其明显：十个音频，一次拖进去，跑完统一导出。

二、命令行：只有一条 add，但够用

它的 CLI 出人意料地克制，只有一个子命令 add，其余全靠选项：

• -t/--task：转写还是翻译
• -m/--model-type + -s/--model-size：用哪个后端、哪一档模型
• -l/--language：指定语言（不填就自动检测）
• -w/--word-timestamps：词级时间戳，做逐字字幕必需
• -e/--extract-speech：先分离人声再识别，噪声大的录音用这个
• --identify-speakers + --speaker-count：说话人识别
• --srt / --vtt / --txt 与 -d/--output-directory：直接落到指定目录
• --hide-gui：不弹主窗口，适合塞进脚本里跑

--hide-gui 这一项值得单独说：它让 Buzz 可以当一个「没有界面的转写服务」用——你写个批处理，文件夹里进来新文件就调一次，跑完直接出 SRT。

三、插件和演示窗口：两个小功能，两种场景

v1.4.5 新加的插件系统，自带两个例子：AI 摘要和自动缩放字幕。前者是转写完顺手生成一份摘要，后者是把字幕压到平台的时长限制里。

另一个容易被忽略的是演示窗口——麦克风实时转写的时候，可以单开一个干净的大字窗口投出去，给现场讲座、会议做实时字幕。这个功能在同类工具里不多见，做线下活动的人会懂它的价值。

六个必须提前知道的坑

坑一：它不快。Whisper 是重模型，一段一小时的录音，在普通笔记本上跑 medium，通常要等十几分钟到半小时。它不是「实时出稿」的工具，是「挂着跑、回头取」的工具。指望它像云服务那样几十秒出结果，会失望。

坑二：中文标点与断句要人工过一遍。Whisper 的中文输出经常是一长串不带句号的句子，人物称呼、专有名词也容易错。它给的是能改的稿子，不是能直接发的稿子。做正式字幕，最后半小时的人工校对省不掉。

坑三：时间轴是按语音切的，不是按语义切的。一句话被切成两段、两句话挤进一条字幕，都是常事。做视频字幕时，这部分通常要配合剪辑软件再对一遍。

坑四：模型权重会占硬盘。六档模型全下完差不多 7 GB。建议只下你要用的那一两档，其余的别碰。

坑五：核显跑 Whisper.cpp 会一直占着 CPU。转写期间机器会明显变热、风扇会响，笔记本上建议插着电源跑。它不是什么轻量后台任务。

坑六：它不是「装上就能用」的零配置软件。要选后端、要选模型、要等模型下载、Windows 还要处理三个安装文件。比网页版麻烦，这是它换来隐私和免费的代价。这一点想清楚了再装。

和云转写比，它到底赢在哪

站上已经有几篇云转写的资源，正好放在一起比：讯飞听见和通义听悟都是「上传 → 等 → 出稿」，中文识别准、自带说话人分离和纪要提炼，体验比 Buzz 顺得多，代价是按分钟计费、要联网、文件要出去。

所以这不是「谁替代谁」的问题。偶尔转一段、追求快和省事，云服务更合适；长期、量大、内容敏感，Buzz 才划算。

谁适合装，谁可以跳过

值得装的：

• 做播客、视频、课程的。素材量大、要出 SRT、还要批量跑，这套流程比逐条上传省太多操作。
• 访谈、调研、律师、医生这类「录音不能外传」的场景。这是它最不可替代的地方——不是省钱，是合规。
• 网络不稳定或干脆没有外网的机器。内网电脑、离线工作站，装完就能用。
• 要给会议做实时字幕的。麦克风实时转写 + 演示窗口，投屏就能用。
• 想批量处理历史录音的。几年前攒下的一堆 mp3，扔进监视文件夹，挂着跑一晚上。

可以跳过的：

• 一个月才转一两次的。为了两次转写装 2.5 GB 软件、再下 1.5 GB 模型，不如直接用网页版。
• 要「上传即出稿、标点断句都不用改」的。Buzz 给不了这个体验，中文尤其。
• 只有核显的老笔记本。能跑，但会很慢很热；跑 large 基本不现实。
• 需要团队协作、在线共享、按人分权限的。它是单机工具，没有账号体系，也没有协作。
• 要中文界面的。它只有英文界面，选项名都是英文，得先认得 model / backend / task 这几个词。

上手四步

1. Windows：把三个文件全下完，放进同一个文件夹，运行那个 4.2 MB 的 exe。被拦就点「更多信息 → 仍要运行」。macOS 用 dmg（Apple Silicon 用 ARM64 版；Intel 机器只能停在 1.4.5）。Linux 走 Flatpak 最省事：flatpak install flathub io.github.chidiwilliams.Buzz。
2. 进设置选后端。有独显选 Faster Whisper，没有就 Whisper.cpp。第一次会让你选模型，中文从 medium 起步。
3. 先拿一段三分钟的样本跑一遍。看结果能不能直接用，再决定要不要升到 large-v3。这一步别省。
4. 把「监视文件夹」指到一个固定的素材目录，顺手绑一个导出格式（SRT）。之后的工作流就变成：录完 → 丢进去 → 回来取字幕。

结语：它卖的不是功能，是「数据不出门」

把 Buzz 和那些云转写放在一起，它其实哪一项都不是最强的：不如云服务快，中文不如专门优化的产品准，界面还不如人家好看。

但它赢在一件很朴素的事上——它不需要你把录音交给任何人。

这件事的价值，取决于你手上是什么录音。如果只是自己开会记个要点，云服务确实更方便；如果录音里有一句「这话别往外说」，那 Buzz 就不是「一个更好的选择」，而是唯一的选择。

它也代表了一类正在变多的工具：把过去只能租的能力，装进自己的电脑。代价是硬盘、电费和等待时间，换回来的是不限额、不联网、不被审查、不会哪天因为服务下线而突然用不了。

MIT 许可、22,168 star、四年没断更——这些数字说明它不是玩票。装上之后大概率会一直躺在你的开始菜单里，一年用上二十次。对工具来说，这就够了。