录音的时候觉得方便，整理的时候才发现费时间。
一段访谈、一节课程，或者自己随手录下的口述内容，想变成能搜索、能修改的文字，就得不断暂停、回放、打字。尤其是只想找其中一句话，拖着进度条来回听，很容易把时间耗在定位内容上。
Buzz 提供了一种本地录音转文字的办法：把音频或视频交给电脑上的语音识别模型处理，再对生成的文字进行校对。**本文介绍的是 GitHub 上免费开源的 Buzz 项目，它支持 Whisper 等识别方式，可以导出文稿和字幕文件。项目说明和各系统的安装入口见 Buzz 官方开源页面。
对经常整理录音的人来说，先得到一份可以编辑的文字初稿，就能减少从头听写的工作。做视频也一样：先生成带时间信息的字幕，再检查识别内容，比逐句手打更有操作空间。
不过，“本地转写”有一个前提需要说清楚：软件和需要的模型必须先准备好。第一次使用某个模型时，通常需要联网下载；模型保存在电脑上以后，选择本地识别方式，就可以离线处理录音。Buzz 也提供云端 API 选项，如果选择那类方式，处理位置和费用规则就不同了。具体区别可以参考 Buzz 官方常见问题。
第一次使用，不建议直接丢进去一段两小时的录音。先找一段两三分钟、说话比较清楚的素材，跑通导入、识别和导出的过程，更容易判断当前设置是否合适。
基本操作可以这样做：
- 打开 Buzz，点击工具栏的“＋”，或者通过 File 菜单中的 Import Media File 导入音频或视频。
- 在任务设置中选择转写；如果录音主要是中文，就明确选择中文。
- 选择本地模型和合适的模型大小，按提示完成首次下载。
- 点击 Run 开始处理，等待任务显示 Completed。
- 双击完成的任务查看结果，校对后导出需要的文件。
界面名称可能随版本和语言设置略有不同，完整流程可以对照官方文件导入说明。
任务类型尤其要看清楚。如果只是想把中文语音变成中文文字，应选择 Transcribe。Whisper 的“Translate to English”任务会把识别内容翻译成英文，和保留原语言的转写用途不同。这个区别在官方任务设置说明中有介绍。
导出时，可以按用途选择格式：
- **TXT：**适合整理访谈文字、课程笔记和口述草稿，后续放进文档里修改。
- **SRT：**带字幕时间信息，适合导入支持该格式的视频播放器或剪辑软件。
- **VTT：**适合需要 WebVTT 格式的网页视频和相关发布流程。
要注意，导出 SRT 得到的是一份字幕文件。如果想让字幕直接显示在最终视频画面里，还需要在剪辑或转码软件中完成后续处理。
Buzz 也支持修改已经生成的转写内容，并提供调整字幕分段的功能。比如一句话被拆得太碎，或者一条字幕太长，可以再整理分段后导出，相关操作见官方编辑说明。
至于识别速度和效果，不适合简单用“几分钟搞定”来概括。它们会受到电脑配置、模型大小和录音质量影响。较小的模型适合先试跑，较大的模型通常需要更多资源；处理中文时，还要避开名称中带有“.en”的英语专用模型。第一次先比较一小段素材，比盲目选择最大的模型更容易找到合适的设置。
校对时，可以优先检查人名、数字、产品名称和专业词汇。这些地方即使错了，整句话也可能读得很顺，很容易漏过去。多人同时说话、背景音乐明显或收音不清楚的片段，也值得重新听一遍。
我更建议把 Buzz 用在“先拿到初稿”这一步：采访录音先转成文字，再整理成文章；教程视频先生成字幕，再调整断句和时间。对于已经录好的内容，有了一份能搜索、能修改的文本，后续整理会更有条理。
软件下载与相关链接：