
一段 47 分钟的采访录音,两个人,中间有三次电话打进来。要的东西可能只有三样:逐字稿、时间轴、谁在说话。这三样东西在不同工具里的完成度差别很大,而这种差别不是好坏,是边界。
选转写工具,第一个要问的不是准不准,而是这段录音能不能离开这台电脑。这一条答完,四个选项里通常只剩两个。下面按「离得开」和「离不开」分成两组讲,各自说清楚它擅长什么、在哪里会断。
1. whisper.cpp:能完全离线的那一个
它是 OpenAI Whisper 模型的 C/C++ 实现,MIT 协议,编译产物是单个可执行文件,模型是几个 ggml 格式的文件。它最大的价值不是免费,是断网也能跑,而且录音不出本机。
模型按体积分档:turbo 约 1.6 GB,medium 约 1.5 GB,small 约 466 MB。体积大致对应准确率和速度。中文内容用 small 会在专有名词和同音字上频繁出错,turbo 是效率和准确率比较平衡的一档。CPU 也能跑,只是 47 分钟的录音可能要等十几分钟;有独显时会快一个数量级。
它的短板很明确:没有说话人分离,输出是连续的一段段文字,谁说的要靠自己听。时间轴到句级,够做字幕,不够做精确引用。它给你的是干净的原材料,不是成品稿。
2. Buzz:把命令包成窗口
Buzz 是 whisper 的桌面前端,开源,Windows、macOS、Linux 都有。它的定位不是更强,而是把「选模型、选语言、选输出格式」变成几个下拉框,再加一个任务队列。它解决的是「不想每次敲命令」这个具体问题,不是能力问题。
队列是它比命令行好的地方:拖十个文件进去,按顺序跑,中间可以去看别的。批量场景下,一个能排队的前端省下的不是操作时间,是注意力。
代价是它跟着 whisper 的上限走:同样没有说话人分离,同样要靠自己校对。它也会把模型文件下到本地缓存目录,第一次跑大模型时那块空间要提前留出来。它的边界就是 whisper 的边界,只是多了一层界面。
3. 云端两个:一个管「谁说的」,一个管「讲了什么」
把音视频传上去,几分钟后拿到带时间戳的文稿,能区分发言人,标点基本可用,还能直接跳到对应音频位置。在「谁在什么时候说了什么」这件事上,云端服务比本地开源方案省事得多。
中文场景里,它处理口头语和断句的方式更接近中文母语者的习惯,这比单纯的识别率高更有用。一篇满是逗号的长句,读起来比错几个字更耗神。
它的边界在数据流向和额度:文件要上传,免费版的存储与单条时长有上限,具体额度官方会调整,用之前要看当期说明。内部会议、客户访谈、涉及个人信息的内容,走这一步之前要有明确授权。
另一条云端路线走的是另一个方向:它不在「谁说的」上较劲,而在「讲了什么」上做加工,这就是通义听悟的位置。
它的差异点不在转写本身,而在转写之后的加工:自动分章节、提要点、区分发言人、支持中英混说。两小时的培训录音,它给的不只是文稿,还有一份能先看的目录。
这对「只需要知道讲了什么」的场景非常合适,对「需要逐字引用」的场景就不够。摘要和逐字稿是两种产品,混着用会两头都不满意。
同样需要上传,同样有免费额度与时长限制,同样涉及数据合规。它比妙记更适合长内容,妙记更适合要精确追问「这句话是谁说的」的会议。
五个维度摆在一起
| 维度 | whisper.cpp | Buzz | 飞书妙记 | 通义听悟 |
|---|---|---|---|---|
| 运行位置 | 本机 | 本机 | 云端 | 云端 |
| 断网可用 | 可以 | 可以 | 不行 | 不行 |
| 说话人分离 | 无 | 无 | 有 | 有 |
| 时间轴粒度 | 句级 | 句级 | 句级并可跳转 | 句级并可跳转 |
| 额外产出 | srt、vtt、json | 同上,可批量 | 共享与评论 | 章节、摘要 |
表格里最容易被忽略的是第三行。「有没有说话人分离」这一项,直接决定了你要花多少时间在回听上:两人对谈没有分离,校对时间大概翻倍;四人会议没有分离,基本等于重听一遍。
三套组合,对应三种活
采访逐字稿:whisper.cpp 加人工校对。录音不出机器,turbo 模型跑一遍,导出 srt 保留时间轴,再对着音频改专有名词。适合有保密要求、又需要逐字引用的稿子。缺点是没有发言人标签,双人访谈要自己在换段处判断。
会议纪要:飞书妙记。要的是「谁说了什么」和「能不能跳回去听」,而不是一字不差。会上传、会后十分钟出稿,标点基本能直接读。这类场景里,省下来的整理时间比隐私风险更值得权衡,但前提是会议内容允许上传。
长课程批量:Buzz 加本地显卡。十几节课一次拖进队列,跑一夜,第二天按文件取 srt。它的价值在「不用守着」,而 whisper.cpp 直接跑批要自己写循环。批量处理的关键不是单条速度,是能不能整晚无人值守。
四种「选错了」的信号
- 录音不能出内网,却在用网页版:这一条没有折中方案。要么换本地,要么先拿到书面授权。
- 你需要知道谁在说话,却选了纯转写工具:后面一定会在回听上把省下的时间还回去,而且还得不到确定答案。
- 你需要逐字稿,却只拿到了摘要:摘要能回答「讲了什么」,回答不了「他原话怎么说的」。引用一句被改写过的话,是要出事的。
- 一次几百小时,却在一条条手动上传:这不是工具选错,是流程没设计。批量场景先看有没有队列。
还有一种更隐蔽的错:用识别率去选工具。同样一段带口音的录音,识别率的差距往往小于标点和分段带来的阅读成本差距。真正决定你要不要重听的,是断句对不对。
写在最后
转写这件事,最贵的从来不是工具,是校对。一段 47 分钟的录音,机器跑完两分钟,人改完两小时。所有工具的价值,都在于把那两小时缩短,而不是把两分钟变得更短。
所以选型的顺序应该倒过来:先想清楚这份稿子最终要给谁看、要不要引用原话、能不能被人看到原始录音,再去挑工具。先挑工具再想用途,大概率会得到一个很准但没法用的结果。
机器听得越来越准,但「哪句话值得留下」始终是人的活。
你手上那段一直没整理的录音,是卡在转写上,还是卡在没人愿意校对?

评论 (0)