离线语音转文字：最佳本地 AI 转录软件

在 Apple Silicon 上运行的本地语音模型

先说结论：各平台该选什么离线语音转文字工具

Mac 和 iPhone 可以用 Whisper Notes：三种本地 AI 引擎，每个平台一次性 $6.99，Mac 版先免费转写 10,000 字。Windows 可选 Buzz 或 faster-whisper；Android 也有 whisper.cpp 封装，但成熟度和维护情况差异较大。

延迟问题

云端转录的流程：你说话，音频上传到服务器，API 处理，结果返回。即使是"实时"服务，10 秒的录音也需要 2-3 秒的网络往返。

本地转录省掉了上传和网络往返。音频不离开你的设备，处理直接在芯片上完成。

近几代 iPhone 和 Apple Silicon Mac 都有专门负责设备端机器学习的 Neural Engine。本地转录只是把你已经买下的硬件用起来，不必先把声音传到远端服务器。

2019 年，云端转录是有道理的。你的手机跑不动十亿参数的神经网络。这个限制已经不存在了。iPhone 15 Pro 运行 Whisper 模型比大多数云服务返回结果还快。M3 MacBook 处理 60 分钟音频只需 5 分钟——本地、离线、无需上传。

云端转录仍适合团队协作和集中管理；如果只是转写一段只给自己看的录音，上传往往没有必要。

你已经为芯片付过钱了

有件事应该让你感到困扰。

苹果的 M3 芯片要收溢价。你付过了。那个神经引擎？你拥有它。180 亿个为机器学习优化的晶体管？是你的。

然后你每月付 10 美元给 Otter.ai，让他们的服务器来转录音频。

你在租别人的硬件，而你自己的硬件更快。这就像买了跑车却付钱打的。

云端转录需要持续支付服务器成本；本地转录没有这笔按用量增长的费用。三年下来，每月 10 美元的订阅要花 360 美元。Whisper Notes 每个平台一次性 $6.99，Mac 版可先试用 10,000 字。

我们不收订阅费，因为我们不运行服务器。你的音频从不接触我们的基础设施。没有什么需要按月计费。

数据泄露是架构问题

关于隐私，我们直说。

当你用云端转录服务时，你的音频存在别人的服务器上。那些服务器有能访问的员工。那些服务器连着网络。那些网络面临攻击。数据泄露不是意外——它们是把敏感数据存储在第三方基础设施上的架构必然结果。

语音数据有独特的风险。不像密码，你不能重置你的声音。你的声纹是永久的生物特征标识。一旦泄露，就永远被泄露了。攻击者可以用声纹绕过认证、身份欺诈或生成深度伪造。

消除这个风险的唯一方法是消除上传。从不离开你设备的音频不可能成为服务器端泄露的一部分。这不是功能——这是物理。

想想谁在录制敏感音频：

• 律师录制客户咨询
• 心理咨询师记录病人谈话
• 记者保护信息源
• 高管捕捉战略讨论
• 医生记录病历

对这些专业人士来说，云存储不只是不方便——是责任隐患。本地转录不是偏好。是要求。

准确率与取舍

我们需要直说本地转录做得好什么、不足在哪里。

本地 Whisper 更擅长的：逐字转录。如果你需要精确记录说了什么——每个字、每个停顿、每个"嗯"——本地 Whisper 模型很出色。清晰音频上 5-8% 的词错误率与人工转录员相当。转录忠实于所说的话。

云端 AI 更擅长的：总结和提取。GPT-4o 可以听一场会议，产出行动事项、摘要和后续任务。它理解字面意思之外的上下文。如果你想要"告诉我做了什么决定"，云端 AI 确实更好。

权衡是真实的。如果你的工作流是"转录 → 用 Claude/GPT 总结"，你可以两全其美：准确的本地转录，智能的云端总结。你的原始音频保持私密。只有你选择分享的文字离开你的设备。

本地 AI 不能包办整个工作流。语音模型负责转写，语言模型更适合总结和分析。先让录音留在本地，再根据文本敏感程度决定使用本地还是云端语言模型。

真实速度数据

“本地模型”之间的速度差距很大。Parakeet 适合英语和欧洲语言，SenseVoice 针对中文、日语、韩语和粤语，Whisper Large V3 Turbo 则提供最广的 100+ 种语言覆盖。

测试方法：Whisper Notes、Apple M4 Pro（32 GB），从开始转写到最终文本的墙钟时间。Parakeet 使用 35 分钟录音；SenseVoice 和 Whisper 使用同一段 27 分钟中文播客。这是产品内实测，不是跨厂商云服务对比。

当前 App Store 页面还公布了 iPhone 15 的数据：Parakeet 转写 5 分钟音频约 18 秒，Whisper 约 1 分钟。老设备会更慢，但开启飞行模式后仍能照常处理。

如何离线把音频转成文字

1. Mac 用户下载 Whisper Notes DMG；iPhone 用户从 App Store 安装。
2. 按语言选模型：英语和欧洲语言用 Parakeet V3，中日韩粤用 SenseVoice，其他语言用 Whisper Large V3 Turbo。
3. 直接录音，或导入 MP3、WAV、M4A、MP4 等音视频文件。
4. 在线会议可开启“会议检测”：Zoom、Teams 和 Google Meet 会被自动识别，同时录下系统音频和你的麦克风；录音与转写仍在 Mac 本地完成。
5. 转写完成后复制文本，或导出 TXT/SRT；模型下载完成后不需要联网。

我们是怎么做的

Whisper Notes 是这些原则的实现。几个值得说明的具体决策：

锁屏小组件

最好的想法总在不方便的时候出现。我们做了锁屏小组件，一点就能开始录音——不用打开 App，不用认证，不用检查网络。本地处理意味着即时可用。

硬件自适应模型

Mac 和 iPhone 现在提供同一套模型选择：Parakeet V3、Whisper 和 SenseVoice。差别在运行时优化，而不是把 iPhone 限制在一个更小、功能更少的模型上。三个引擎都在设备本地运行。

你的数据，你的文件

转录是你设备上的文件。标准格式，标准位置。没有私有数据库，没有厂商锁定。如果 Whisper Notes 明天消失，你的录音仍然可以访问。批量导出不是高级功能——它是你拥有的数据的自然状态。

自定义词汇

技术术语、不常见的名字、领域特定的词——最需要准确转录的词汇往往是你最不想上传的。初始提示让你在本地添加上下文。模型调整，而你的术语不会变成训练数据。

本地个性化。你的词汇保持私密。

什么时候云端更好

我们不假装本地转录普遍更好。云端有真正的优势：

实时团队协作。五个人在会议中同时编辑一份转录需要服务器协调。本地工具天生是单用户的。

大规模说话人识别。多人录音中的"谁说了什么"受益于云规模的训练数据。设备端的说话人分离存在，但对大群组准确率较低。

工作流自动化。云服务连接 CRM，提取行动事项，发摘要到 Slack。本地工具产出文本文件——你拿它们做什么是手动的。

旧硬件。A14 之前的 iPhone、Intel Mac——有些设备实际上无法运行本地推理。云端仍是唯一选项。

如果主要需求是会议中的多人实时协作，云工具更合适；如果主要是转写自己的录音，而且在意隐私，本地处理更合适。

趋势

每一代芯片都带来更多神经引擎性能。每次模型迭代都带来更好的效率。本地和云端的差距在缩小，而隐私和延迟优势保持不变。

云端转录在你的手机做不了这个工作的时候是有道理的。那个时代在 2022 年左右结束了。剩下的是惯性——自动续费的订阅，围绕服务器假设建立的工作流，云端一定更好的模糊信念。

问题不是本地转录是否好用。它好用。问题是你是否想继续为你已经拥有的硬件付租金。

技术细节

Windows 和 Android 上的离线语音转文字

Whisper Notes 目前只支持 Mac 和 iPhone。Windows 或 Linux 用户可选择 Buzz（图形界面）或 faster-whisper（命令行）；模型下载后都能离线运行。Android 有 whisper.cpp 移植版和一些封装应用，但性能、兼容性和维护情况不一致，可查看Android 版本状态。

很多搜索“Whisper Notes Windows”的人，其实是想在 PC 上获得同样的离线买断体验。我们知道这个需求——但与其推出一个很慢的版本，不如坦白说“还没有”。完整原因见 Whisper Notes Windows 页面。Apple 的 Neural Engine 正是目前本地转录能达到 100 倍实时速度的关键。

离线语音翻译能做到什么

完整版 Whisper Large V3 可以把多种语言的音频直接翻译成英文；Large V3 Turbo 为了转写速度移除了这项任务。更通用的离线流程是先在设备上转写，再用你信任的本地或云端翻译工具处理文字。这样即使选择云端翻译，原始录音也不需要上传。

常见问题

下载 iOS 版 Mac 免费试用