Buzz：本地离线语音转写字幕工具安装与使用指南

官方信息

项目背景

OpenAI 在 2022 年底开源的 Whisper 是迄今为止最强的开源语音识别模型，支持 99 种语言，识别准确率堪比商业服务。但 Whisper 本身只是一个 Python 库，要跑起来得装 Python、配 PyTorch、敲命令行，对播客主播、记者、字幕组、学生来说门槛太高。

Buzz 就是为解决这个问题而生的——开发者 Chidi Williams 给 Whisper 套了一个漂亮的跨平台图形界面，把"拖一个文件进去、点一下按钮、导出 SRT 字幕"变成了三步操作。它支持 macOS、Windows、Linux，完全本地离线运行，不需要上传音频到任何云端，也不要 API Key。

项目在 GitHub 上收获 13k+ Star，不仅支持 Whisper 原生模型，还整合了 whisper.cpp（C++ 高性能版）、faster-whisper、HuggingFace 上的各种 Whisper 衍生模型、FunASR、Qwen3-ASR 等多种后端，甚至支持 CUDA、Vulkan GPU 加速和实时麦克风转写。

核心特性

• 完全离线：所有音频和模型都在本地处理，隐私零外泄。
• 多后端支持：Whisper、whisper.cpp（Vulkan 加速）、faster-whisper、HuggingFace、FunASR、Qwen3-ASR、OpenAI API。
• 文件转写：拖入音频/视频文件，或直接粘贴 YouTube 链接下载后转写。
• 实时麦克风：对着麦克风说话即时转文字，适合会议、字幕直播。
• 说话人分离：基于 pyannote 的 diarization，自动区分多人对话。
• 语音分离预处理：嘈杂环境先做人声提取再转写，准确率明显提升。
• 多格式导出：TXT、SRT、VTT、CSV，满足字幕和笔记需求。
• 命令行批量处理：支持 watch folder 自动转写，可写脚本批处理整个文件夹。

环境要求

• 操作系统：macOS 11+（Apple Silicon 推荐）、Windows 10/11、Linux。
• 内存：至少 8GB；跑 large 模型建议 16GB 以上。
• 可选：NVIDIA GPU（CUDA 加速）或 Apple Silicon（Metal 自动加速）。
• ffmpeg（PyPI 安装方式需要，桌面安装包已内置）。

详细部署步骤

方式一：桌面安装包（最推荐，普通用户）

macOS：从 SourceForge 下载 .dmg 文件，挂载后把 Buzz 拖进 Applications。首次打开若提示"未受信任"，右键 → 打开 → 仍要打开即可。

Windows：从 SourceForge 下载 exe 安装包。系统会弹出 SmartScreen 警告，点击"更多信息" → "仍要运行"。

Linux：推荐 Flatpak：

flatpak install flathub io.github.chidiwilliams.Buzz
flatpak run io.github.chidiwilliams.Buzz

或 Snap：

sudo apt-get install libportaudio2 libcanberra-gtk-module libcanberra-gtk3-module
sudo snap install buzz

方式二：pip 安装（开发者/GPU 用户）

# 需要 Python 3.12
python3.12 -m venv buzz-env
source buzz-env/bin/activate   # Windows: buzz-env\Scripts\activate

# 先装 ffmpeg
# Ubuntu: sudo apt install ffmpeg
# macOS: brew install ffmpeg

pip install --upgrade pip
pip install buzz-captions

# 启动图形界面
python -m buzz

Linux 还需要装一些系统依赖：

sudo apt-get install --no-install-recommends \
  libyaml-dev libtbb-dev libxkbcommon-x11-0 \
  libxcb-icccm4 libxcb-image0 libxcb-keysyms1 libxcb-randr0 \
  libxcb-render-util0 libxcb-xinerama0 libxcb-shape0 libxcb-cursor0 \
  libportaudio2 gettext libpulse0 ffmpeg

NVIDIA CUDA 加速（Windows/Linux）

从 1.4.6 版本开始，CUDA 支持不再内置，需要手动安装：

pip3 install -U torch==2.8.0+cu129 torchaudio==2.8.0+cu129 \
  --index-url https://download.pytorch.org/whl/cu129
pip3 install nvidia-cublas-cu12==12.9.1.4 nvidia-cuda-cupti-cu12==12.9.79 \
  nvidia-cuda-runtime-cu12==12.9.79 --extra-index-url https://pypi.ngc.nvidia.com

也可以在 Buzz 界面里点击 Help → About Buzz → Install CUDA Acceleration 自动装。

首次使用：选择模型

打开 Buzz 后，顶部工具栏选择模型大小：tiny / base / small / medium / large。第一次选 large 会自动从 HuggingFace 下载约 3GB 模型文件，耐心等待。中文转写推荐 large 或 medium；机器性能弱就用 small。

使用方法示例

图形界面：把 mp3/mp4 文件拖进窗口 → 选模型大小 → 点 "Transcribe" → 完成后 File → Export → 选 SRT/TXT/VTT。

命令行批量转写整个文件夹：

for f in inputs/*.{mp3,m4a,wav,mp4}; do
  [ -e "$f" ] || continue
  python -m buzz add "$f" \
    --task transcribe \
    --model-type fasterwhisper \
    --model-size small \
    --language zh \
    --output-formats srt txt \
    --output-dir ./transcripts
done

常见问题（FAQ）

Q1：转写很慢怎么办？
A：优先换 whisper.cpp 或 faster-whisper 后端；有 N 卡装 CUDA；Apple Silicon 自动用 Metal；模型别盲目上 large，medium 对中文已经很够用。

Q2：中文识别有错别字？
A：在"初始提示词"里给一点上下文，比如"以下是一场关于人工智能的会议记录"，Whisper 会根据提示调整术语；或者换 Qwen3-ASR / FunASR 后端。

Q3：能区分说话人吗？
A：1.4.6 版本起支持 --identify-speakers，但需要 HuggingFace token 下载 pyannote 模型，第一次会要求登录 HF。

Q4：YouTube 链接怎么用？
A：直接把 YouTube 地址粘到 Buzz 的输入框，它会自动用 yt-dlp 下载音频再转写。

跳转链接

• GitHub 仓库：https://github.com/chidiwilliams/buzz
• 官方文档：https://chidiwilliams.github.io/buzz/
• PyPI 包：buzz-captions
• 下载页面（SourceForge）：Releases