入门 13 分钟音频

音频转文字:免费,无需 限制

打开的笔记本电脑发出绿光,照亮深色书桌。
直接回答

如需免费且不限量的音频转文字,请安装基于 Whisper 的本地软件:Buzz 或 Vibe(Windows、macOS、Linux)。Whisper 是 OpenAI 以 MIT 许可发布的语音识别模型。文件保留在您的电脑上,无需账户,也没有配额。免费在线工具都有上限:Wave 每月 30 分钟,Microsoft 365 订阅下的 Word 每月 300 分钟(2026 年 11 月 18 日官方页面)。

在线转录服务处理较短的文件很方便,但它们有配额限制,而且会接收您的录音。安装在您电脑上的软件可以转录任意时长的法语音频,且不会上传任何内容。本指南帮助您根据用途选择工具、完成第一次转录并检查结果。

作者: Mohamed Meguedmi·更新于 2026-11-18·已在 Windows、macOS 和 Linux 上测试

#如何免费且无限制地将音频转录为文字?

真正免费且不限量的音频转文字,需要借助安装在您电脑上的软件,在本地运行语音识别模型。唯一的上限就是您机器的计算时间:不计分钟数,无需注册,也不上传文件。

自动转录(又称语音识别,英文为 speech-to-text)是指由人工智能模型将录制的语音转换为书面文本。这里介绍的免费软件均基于 Whisper(Vibe 还提供其他模型)。根据其官方代码仓库,Whisper 是一个通用的多语言语音识别模型,还能翻译成英语并识别所说的语言。OpenAI 以 MIT 许可证发布其代码和权重,允许个人和商业用途。

Whisper 的代码仓库并未注明文件的最大时长。根据其文档,转录函数会读取整个文件,并以 30 秒的滑动窗口进行处理。因此,两小时的访谈与两分钟的语音备忘录转录方式相同,只是耗时更长。

不同场景对应的免费转录方案(官方页面查阅于 2026 年 11 月 18 日)
您的情况推荐选项为什么
较短且不含敏感内容的文件免费在线工具无需安装,但有每月配额,且文件会发送至服务方
访谈、会议、保密咨询本地运行 Buzz 或 Vibe离线转录,无配额,无需账户
视频字幕Buzz(SRT、VTT)或 Vibe(SRT、VTT、DOCX…)直接导出为字幕格式
多人说话Buzz 或 Vibe(说话人识别)两款应用均宣称支持按说话人区分
数十小时,自动化处理命令行版 Whisper 或 faster-whisper可脚本化,支持批量处理
麦克风实时听写Buzz(实时)或 Vibe(麦克风)无需联网即可转写麦克风音频

#免费在线音频转文字:有哪些限制?

打造专属 AI 助手的完整套件。

借助我们的经验和引导式路径,打造你的本地助手,在日常中使用你的 AI。

  • 在线空间,终身可用
  • PDF + 文件
  • 30 天内退款

免费在线音频转录工具几乎都会限制使用量,而且都会在其服务器上接收您的文件。它们适合临时处理简短且不涉密的录音;超出这个范围,配额或数据问题就会成为障碍。

Wave
根据 2026 年 11 月 18 日查阅的 Wave 价格页面,免费套餐每月包含 30 分钟录音。不限量的 Pro 套餐在网页端的价格为每月 15 $ 或每年 80 $。
Microsoft Word
根据 2026 年 11 月 18 日查阅的 Microsoft 帮助文档,Microsoft 365 订阅用户每月最多可转录 300 分钟的导入音频。同一页面的一条说明指出,该功能目前面向“Commercial Tenants”(商业租户),在 Windows 版 Word for Microsoft 365 中提供,而政府环境仅限于 Word 网页版;该页面未说明个人版或家庭版订阅的情况。录音存储在 OneDrive 上。
Google 文档
Google 文档的语音输入功能用于在 Chrome、Edge 或 Safari 中通过麦克风听写。Google 帮助页面说明,语音识别服务由浏览器控制;该页面描述的是听写,而不是对音频文件的import d。
其他免费服务
专业服务的免费额度经常变动,且其价格页面会阻止自动化读取:在上传文档之前,请核实单个文件的最长时长、每天可处理的文件数量以及录音的保留期限。

#应安装哪款免费的音频转文字软件?

如果不想使用命令行,Buzz 和 Vibe 是最直接的两款免费开源音频转录软件:一个窗口,拖入文件,导出文本。Whisper、whisper.cpp 和 faster-whisper 则适合熟悉终端的用户。

免费本地转录软件,依据其官方仓库截至 2026 年 11 月 18 日的信息
软件版本与日期系统许可证优点
Buzz1.4.5,2026 年 8 月 23 日Windows、macOS(Apple Silicon 和 Intel)、LinuxMIT文件、YouTube 链接、实时麦克风、说话人识别、监视文件夹、导出 TXT、SRT、VTT
Vibe3.3.5,2026 年 11 月 13 日Windows、macOS、LinuxMIT批量文件、说话人区分、导出 SRT、VTT、TXT、HTML、PDF、JSON、DOCX,支持 Whisper、Nemotron 3.5 和 Parakeet TDT v3 模型
Whisper(OpenAI)PyPI 包 20250625Windows、macOS、Linux(Python)MIT官方参考实现,支持命令行和 Python
whisper.cpp1.9.5,2026 年 10 月 6 日Windows、macOS、LinuxMITC/C++ 无依赖,可仅用处理器运行,Mac 上支持 Metal,支持 Vulkan
faster-whisperPyPI 软件包 1.2.1Windows、macOS、Linux(Python)MIT据其作者称,速度最高可达 Whisper 的 4 倍

根据其代码仓库的说明,Buzz 是一款桌面应用,借助 Whisper 在你的电脑上离线转录和翻译音频。截至 2026 年 11 月 18 日发布的最新版本 1.4.5 提供 Mac Apple Silicon 版和 Mac Intel 版;代码仓库提醒,这是支持 Mac Intel 的最后一个版本,此后 Buzz 将要求使用 Apple Silicon 芯片。在 Windows 上,安装程序未经签名,Windows 会显示警告;代码仓库指出应点击 More info,然后点击 Run anyway(在法语版 Windows 上为 Informations complémentaires,然后点击 Exécuter quand même)。

Vibe 是一款开源转录应用,其仓库承诺完全离线转录,任何数据都不会离开设备。Vibe 提供适用于 Apple Silicon Mac 和 Intel Mac、Windows 及 Linux 的安装包。Vibe 还支持通过二维码从手机录音,计算仍由电脑完成。

#如何使用 Buzz 或 Vibe 将音频转录为文字?

使用 Buzz 或 Vibe 将音频转写为文字分为五个步骤:从官方页面安装应用、选择模型、导入文件、指定语言,然后导出文本。准备工作需要几分钟,首次使用还需额外下载模型。

  1. 01
    安装官方应用
    通过 Buzz 的 GitHub 仓库中提供的 SourceForge 链接下载 Buzz(在 Linux 上也可通过 Flatpak 和 Snap 安装),或从 Vibe 的官方下载页面下载 Vibe。请避免使用项目未列出的镜像站点。
  2. 02
    选择适合本机的模型
    在应用设置中选择一个 Whisper 模型。small 模型适合没有显卡的笔记本电脑;turbo 或 large 需要更多内存。模型只需下载一次,之后即可离线重复使用。
  3. 03
    导入音频或视频文件
    将文件拖入 Buzz 或 Vibe 的窗口。两款应用都支持音频和视频;Vibe 还支持一次导入多个文件进行批量处理。
  4. 04
    指定法语
    请选择法语,而不是自动检测:既然语言已知,这样可以避免在录音开头有噪音或音乐时出现语言检测错误。
  5. 05
    导出并校对
    导出为 TXT 获取纯文本,导出为 SRT 或 VTT 获取字幕,或使用 Vibe 导出为 DOCX。请校对专有名词、数字以及多人同时说话的段落。

在 Linux 下,Buzz 的代码仓库给出了以下 Flatpak 安装命令。对于命令行版 Whisper,官方文档要求先安装 Python 包和 ffmpeg 工具,然后使用 turbo 模型运行转录。

终端(Linux):安装 Buzz
flatpak install flathub io.github.chidiwilliams.Buzz
终端:官方 Whisper(macOS,使用 Homebrew)
pip install -U openai-whisper
brew install ffmpeg
whisper audio.flac audio.mp3 audio.wav --model turbo
→
确认一切运行正常
成功的转录会生成带时间戳的文本,从头到尾与录音同步。随机听取开头、中间和结尾的三个片段:如果文本脱节或循环重复某句话,请改用更大的模型或强制指定语言后重新运行。

#本地音频转录需要什么样的机器?

本地音频转录在普通电脑上即可运行,即使没有显卡也可以:whisper.cpp 宣称支持纯 CPU 推理,small 模型所需内存不到 1 GB。显卡或 Apple Silicon Mac 可显著缩短等待时间。

各 Whisper 模型所需内存,依据 openai/whisper(显卡)和 whisper.cpp(内存)代码仓库;相对速度由 OpenAI 在 A100 显卡上以英语测得
模型参数使用 openai/whisper 时的显存使用 whisper.cpp 时的内存占用官方公布的相对速度
tiny39 M约 1 GB约 273 MB约为 large 的 10 倍
base74 M约 1 GB约 388 MB约为 large 的 7 倍
small244 M约 2 GB约 852 MB约为 large 的 4 倍
medium769 M约 5 GB约 2.1 GB约为 large 的 2 倍
large1 550 M约 10 GB约 3,9 GB参考
turbo809 M约 6 GB未发布约为 large 的 8 倍

为便于估算耗时,faster-whisper 代码仓库发布了一项基于 13 分钟音频的基准测试。在 Intel Core i7-12700K 处理器(8 线程)上使用 small 模型时,openai/whisper 耗时 6 分 58 秒,whisper.cpp 耗时 2 分 05 秒,int8 模式的 faster-whisper 耗时 1 分 42 秒。在 NVIDIA RTX 3070 Ti 8 GB 显卡上使用 large-v2 模型时,fp16 模式的 faster-whisper 耗时 1 分 03 秒。这些数据由 faster-whisper 作者发布,使用的是这些工具的旧版本(faster-whisper 1.1.0、whisper.cpp 1.7.2);实际耗时取决于您的机器和录音本身。

在 Apple Silicon Mac 上,whisper.cpp 通过 Metal 在图形芯片上计算,并可借助 Core ML 编译将部分工作交给神经网络引擎(Neural Engine)。在 PC 上,NVIDIA 显卡通过 CUDA 加速;Buzz 还宣称支持 Vulkan,适用于大多数其他显卡,包括集成显卡。不要混淆两者:CUDA 设置不适用于 Mac。

#法语音频转文字可靠吗?

Whisper 的多语言模型支持法语音频转文字,但质量取决于语言、模型和录音本身。官方代码仓库自己也说明:Whisper 的性能因语言不同而差异很大。法语在该模型的官方语言列表中。

模型
据 OpenAI 介绍,turbo 模型是 large-v3 的优化版本,速度更快,精度损失极小。它未针对翻译进行训练:如需翻译成英语,请使用 medium 或 large。
强制指定语言
官方文档以 --language Japanese 为例展示了 --language 选项;对于法语录音,请指定 French,或在 Buzz 或 Vibe 中选择法语。
拾音
麦克风靠近说话人且没有背景音乐时,模型能获得更清晰的信号。对于嘈杂的录音,Buzz 提供转录前的人声分离功能。
专有名词和缩写
人名、品牌名和缩写是常见的出错来源:请安排有针对性的校对,尤其是需要对外分发的会议纪要。
i
官方宣称、公开发布、实际观测
本指南中的速度和内存数据均来自各项目自行公布的数字。本指南未进行任何测试:只有在您自己的文件上做抽查试听,才能判断质量是否满足您的用途。

#使用本地转录软件时,还有哪些内容会联网发送?

使用本地转录软件时,音频和文本都保留在您的电脑上,但部分附加功能会连接互联网。了解这些功能,才能确保敏感文件真正以离线方式处理。

模型下载
首次启动时会下载所选模型。之后转录便不再需要网络连接。
视频网站链接
Buzz 和 Vibe 可以通过链接转录 YouTube 视频:应用会先从互联网下载视频,再在本地进行转录。
Vibe 生成的摘要
Vibe 可通过 Claude API 生成摘要,这是一项在线服务,届时会接收转录文本。同一软件中的 Ollama 选项则在本地进行分析。
自动更新
Vibe 声明支持自动更新,更新时会连接开发商的服务器。这不涉及您的文件,但完全断网隔离的电脑将无法收到这些更新。
Word 和 OneDrive
相反,Word 的转录功能会将录音存储在 OneDrive 上,且 Microsoft 提示其耗时取决于您的互联网连接速度:涉及保密的访谈应避免使用。
!
录制他人
本地工具保护的是文件,而非录音的法律合规性:在会议或访谈前请告知被录音者,并像保管音频一样妥善保管转录文本。
常见问题
有无需注册的免费音频转文字工具吗?+
有。Buzz 和 Vibe 无需任何账户即可安装和使用,命令行版 Whisper 同样不需要。这样,音频转文字就在您的电脑上完成,免费且没有配额。在线服务中,无需注册的服务通常会限制转写时长或文件数量。
本地音频转写真的没有限制吗?+
本地音频转写没有分钟数配额:唯一的限制是您机器的计算时间和磁盘空间。Whisper 以 30 秒为窗口处理音频,因此长达数小时的录音无需手动切分即可转写,只是耗时更长。
可以实时进行音频转文字吗?+
可以。Buzz 能实时转写麦克风输入,并提供演示窗口,便于在活动期间显示文字;Vibe 也能转写麦克风和系统声音。对于实时语音识别,Vosk 是另一个离线选项,本站有专门的指南介绍。
转写一小时音频需要多长时间?+
耗时取决于模型和机器。faster-whisper 发布的基准测试显示:在 Intel Core i7-12700K 上使用 int8 的 small 模型转写 13 分钟音频需 1 分 42 秒,在 RTX 3070 Ti 上使用 large-v2 需 1 分 03 秒。按简单的比例换算(60 ÷ 13 ≈ 4.6),在配置相当的机器上,一小时音频分别约需 8 分钟和 5 分钟:这只是估算,并非已公布的实测结果。
Whisper、Buzz 或 Vibe 可以用于商业用途吗?+
可以。Whisper 的代码和权重以 MIT 许可证发布,Buzz 和 Vibe 同样采用 MIT 许可证,均允许商业使用。处理敏感数据时,本地转录可避免将录音发送给服务商,但仍需征得被录音者的同意。
音频转文字需要显卡吗?+
不需要。根据 whisper.cpp 的数据,Whisper 的 small 模型仅靠处理器即可运行,内存占用不到 1 GB。NVIDIA 显卡或 Apple Silicon Mac 可以加快转录速度,并能流畅使用 turbo 模型;在 openai/whisper 中,turbo 约需 6 GB 显存。

#来源及 2026 年 11 月 18 日的核实

文中引用的版本、许可证、功能、内存需求和配额均于 2026 年 11 月 18 日从各项目官方仓库及开发商的帮助和价格页面获取;在线服务的配额和软件版本随时可能变化。

这份指南对您有帮助吗?

有反馈、发现了错误,或想补充说明?请告诉我们,让这份指南对每个人都更有帮助。