離線語音轉文字：最佳本地 AI 轉錄軟體

在 Apple Silicon 上執行的本機轉錄模型

先講答案：各平台最佳離線語音轉文字

如果你只想要答案：Mac 和 iPhone 用 Whisper Notes——三個本機 AI 引擎，每平台 $6.99 一次買斷；Mac 版含 10,000 字試用。Windows 用 Buzz 或 faster-whisper（免費開源）。Android 的選項還很少——見下方的平台段落。這張表裡的每個工具都是 100% 離線執行：

這篇指南接下來會解釋為什麼本機轉錄在延遲、成本和隱私上勝出——附真實的基準數據——並一步一步示範如何離線把音訊轉成文字。

延遲問題

雲端轉錄的流程：你說話，音訊上傳到伺服器，API 處理，結果返回。即使是「即時」服務，10 秒的錄音也需要 2-3 秒的網路往返。

本機轉錄：這些延遲全部消失。音訊不離開你的裝置，處理在晶片上完成，結果即刻呈現。沒有上傳，沒有等待，沒有「處理中」的轉圈。

近幾年的 iPhone 和 Apple Silicon Mac 都內建了專為裝置端機器學習設計的 Neural Engine。本機轉錄用的是你已經擁有的硬體，而不是等待上傳和遠端回應。

2019 年，雲端轉錄是有道理的。你的手機跑不動十億參數的神經網路。這個限制已經不存在了。iPhone 15 Pro 運行 Whisper 模型比大多數雲端服務返回結果還快。M3 MacBook 處理 60 分鐘音訊只需 5 分鐘——本機、離線、無需上傳。

雲端轉錄在即時協作和集中化工作流程上仍然合理。但對一段只有你需要的私人錄音來說，上傳往往是多餘的。

你已經為晶片付過錢了

有件事應該讓你感到困擾。

蘋果的 M3 晶片要收溢價。你付過了。那個神經引擎？你擁有它。180 億個為機器學習優化的電晶體？是你的。

然後你每月付 10 美元給 Otter.ai，讓他們的伺服器來轉錄音訊。

你在租別人的硬體，而你自己的硬體更快。這就像買了跑車卻付錢搭計程車。

雲端轉錄的經濟學在本機推理不可能的時候是有道理的。現在它只是慣性稅。三年下來，每月 10 美元的訂閱要花 360 美元。Whisper Notes 只要 6.99 美元，一次性。同樣的準確率。更快的處理。你的晶片做它被設計來做的事。

我們不收訂閱費，因為我們不運行伺服器。你的音訊從不接觸我們的基礎設施。沒有什麼需要按月計費。

資料外洩是架構問題

關於隱私，我們直說。

當你用雲端轉錄服務時，你的音訊存在別人的伺服器上。那些伺服器有能存取的員工。那些伺服器連著網路。那些網路面臨攻擊。資料外洩不是意外——它們是把敏感資料儲存在第三方基礎設施上的架構必然結果。

語音資料有獨特的風險。不像密碼，你不能重設你的聲音。你的聲紋是永久的生物特徵識別。一旦外洩，就永遠被外洩了。攻擊者可以用聲紋繞過認證、身份詐騙或生成深度偽造。

消除這個風險的唯一方法是消除上傳。從不離開你裝置的音訊不可能成為伺服器端外洩的一部分。這不是功能——這是物理。

想想誰在錄製敏感音訊：

• 律師錄製客戶諮詢
• 心理諮商師記錄個案談話
• 記者保護消息來源
• 高階主管捕捉策略討論
• 醫師記錄病歷

對這些專業人士來說，雲端儲存不只是不方便——是責任隱患。本機轉錄不是偏好。是要求。

準確率：誠實的權衡

我們需要直說本機轉錄做得好什麼、不足在哪裡。

本機 Whisper 更擅長的：逐字轉錄。如果你需要精確記錄說了什麼——每個字、每個停頓、每個「嗯」——本機 Whisper 模型很出色。清晰音訊上 5-8% 的詞錯誤率與人工轉錄員相當。轉錄忠實於所說的話。

雲端 AI 更擅長的：總結和摘取。GPT-4o 可以聽一場會議，產出行動事項、摘要和後續任務。它理解字面意思之外的上下文。如果你想要「告訴我做了什麼決定」，雲端 AI 確實更好。

權衡是真實的。如果你的工作流是「轉錄 → 用 Claude/GPT 總結」，你可以兩全其美：準確的本機轉錄，智能的雲端總結。你的原始音訊保持私密。只有你選擇分享的文字離開你的裝置。

本機 AI 並不解決工作流程的每一環。語音模型擅長轉錄;語言模型更擅長對結果做摘要和推理。把音訊留在本機，再依文字的敏感程度選擇本機或雲端的語言模型。

真實速度數據

模型的選擇對結果的影響，比「本機」兩個字暗示的更大。Parakeet 是英語和歐洲語言的快速預設,SenseVoice 針對中文、日文、韓文和粵語最佳化,Whisper Large-v3 Turbo 則提供最廣的 100+ 語言覆蓋。

測試方法：Whisper Notes 在 32 GB 記憶體的 Apple M4 Pro 上執行,計時從開始轉錄到最終文字產出。Parakeet 用 35 分鐘的錄音;SenseVoice 和 Whisper 用同一集 27 分鐘的中文 Podcast。這些是產品實測,不是跨廠商的雲端基準比較。

目前的 App Store 頁面也標示：iPhone 15 上 5 分鐘音訊用 Parakeet 約 18 秒,用 Whisper 約 1 分鐘。較舊的裝置會慢一些。而且無論哪種情況,開飛航模式照樣能跑——因為根本沒有上傳這一步。

如何離線把音訊轉成文字（一步一步來）

在 Mac 上：

1. 下載 Whisper Notes Mac 版（免費試用,不用註冊帳號）。
2. 在設定裡選模型：英文求快選 Parakeet V3,中文、日文、韓文或粵語選 SenseVoice,100+ 種語言選 Whisper Large V3 Turbo。模型下載一次後,永遠可離線使用。
3. 直接錄音,或拖入任何音訊或影片檔（MP3、WAV、M4A、MP4）。
4. 線上會議可開啟會議偵測。Zoom、Teams 和 Google Meet 會被自動偵測;系統音訊和麥克風一起收錄,轉錄留在你的 Mac 上。
5. 文字會邊處理邊輸出。可匯出為 TXT 或 SRT,或直接複製到任何地方。

在 iPhone 上：從 App Store 安裝 Whisper Notes,直接錄音或從語音備忘錄、檔案 App 匯入,轉錄就在 A 系列晶片上執行。想證明沒有任何上傳？先開飛航模式再試。

我們是怎麼做的

Whisper Notes 是這些原則的實現。幾個值得說明的具體決策：

鎖定畫面小工具

最好的想法總在不方便的時候出現。我們做了鎖定畫面小工具，一點就能開始錄音——不用打開 App，不用認證，不用檢查網路。本機處理意味著即時可用。

硬體自適應模型

Mac 有散熱空間和充足電力。iPhone 在口袋裡。現在兩者運行同一套模型陣容——Parakeet V3（預設）、Whisper Large-v3 Turbo（8.09 億參數）和 SenseVoice——各自針對硬體調校。同樣的隱私保證，合適的資源使用。

你的資料，你的檔案

轉錄是你裝置上的檔案。標準格式，標準位置。沒有私有資料庫，沒有廠商鎖定。如果 Whisper Notes 明天消失，你的錄音仍然可以存取。批次匯出不是進階功能——它是你擁有的資料的自然狀態。

自訂詞彙

技術術語、不常見的名字、領域特定的詞——最需要準確轉錄的詞彙往往是你最不想上傳的。初始提示讓你在本機添加上下文。模型調整，而你的術語不會變成訓練資料。

本機個人化。你的詞彙保持私密。

什麼時候雲端更好

我們不假裝本機轉錄普遍更好。雲端有真正的優勢：

即時團隊協作。五個人在會議中同時編輯一份轉錄需要伺服器協調。本機工具天生是單用戶的。

大規模說話人辨識。多人錄音中的「誰說了什麼」受益於雲端規模的訓練資料。裝置端的說話人分離存在，但對大群組準確率較低。

工作流自動化。雲端服務連接 CRM，提取行動事項，發摘要到 Slack。本機工具產出文字檔案——你拿它們做什麼是手動的。

舊硬體。A14 之前的 iPhone、Intel Mac——有些裝置實際上無法運行本機推理。雲端仍是唯一選項。

誠實的評估：如果你的主要需求是會議期間的團隊協作，雲端工具可能更好。如果你的主要需求是帶隱私地轉錄自己的錄音，本機工具是正確的架構。

趨勢

每一代晶片都帶來更多神經引擎效能。每次模型迭代都帶來更好的效率。本機和雲端的差距在縮小，而隱私和延遲優勢保持不變。

雲端轉錄在你的手機做不了這個工作的時候是有道理的。那個時代在 2022 年左右結束了。剩下的是慣性——自動續費的訂閱，圍繞伺服器假設建立的工作流，雲端一定更好的模糊信念。

問題不是本機轉錄是否好用。它好用。問題是你是否想繼續為你已經擁有的硬體付租金。

技術細節

Windows 和 Android 上的離線語音轉文字

Whisper Notes 是為 Apple Silicon 打造的，所以只支援 Mac 和 iPhone。其他平台目前的選項是：

Windows：最好的免費選項是 Buzz（Whisper 的簡易圖形介面）和 faster-whisper（命令列，同樣硬體上比官方實作快好幾倍）。模型下載完成後兩者都完全離線執行。但要有心理準備，安裝門檻比原生 App 高——Python 環境、模型檔案，想要速度還得裝 GPU 驅動。

Android：whisper.cpp 有 Android 移植版和幾個包裝 App，但品質和維護狀況參差不齊。Android 上目前還沒有打磨完善的主流離線轉錄 App——現況請見 Whisper Notes Android 版進度。

許多人在尋找Whisper Notes Windows想要在PC上採用相同的離線單次購買模式。我們已聽到您——但我們寧願說暫時不行，而不是釋出緩慢的產品（完整說明請見... Whisper Notes 對於 Windows 頁).蘋果的神經引擎正是造就的關鍵 100x-現在可即時本地轉錄。

離線語音翻譯：本機 AI 能做什麼、不能做什麼

有個相關問題很常被問到：本機 AI 除了轉錄，能不能翻譯語音？部分可以。原版的 Whisper Large V3 模型受過兩種任務的訓練——轉錄，以及任意語言到英文的翻譯。在本機執行時，它可以把法文、日文或阿拉伯文的音訊輸出成英文文字，完全離線。兩個限制：它只能翻成英文（不能反向），而且這只適用於完整版 Large V3——更快的 Large-v3 Turbo 為了專注轉錄，捨棄了翻譯任務。

離線語音翻譯還在早期。目前沒有被廣泛採用的消費級 App，能在完全離線的前提下做到雲端那種即時語音對語音翻譯。今天實際可行的流程是兩步：先在本機轉錄，再用你信任的工具翻譯產出的文字。原始音訊從頭到尾都不必離開你的裝置。

常見問題

下載 iOS 版 Mac 免費試用