一句话定位：一款免费开源的桌面语音转文字工具，把 OpenAI 的 Whisper 模型包进一个简单窗口，录音、视频丢进去就能出字幕稿，全程不用联网。
痛点分析
开会录了两个小时的音，想整理成纪要；采访录完了，逐句听写要耗掉一个下午；网课视频想做笔记，拖进度条拖到怀疑人生。这类活儿的共同点是：素材在手，时间不够。
用在线转写服务当然快，但问题也实在：一小时以上长度的音频常常要会员，敏感一点的会议录音、客户访谈，传到别人的服务器上心里总归不踏实；有些服务还要排队，转一晚上是常事。
另一条路是自己跑 Whisper，命令行参数一大堆，模型怎么选、音频格式怎么转，光是配环境就能劝退大多数人。Buzz 做的事，就是把这层壳帮你套好。
核心能力
- 导入即转写：mp3、wav、m4a、mp4、mkv 等常见音视频格式直接拖进窗口，不用预先转格式
- 本地运行：模型下载到本机后，转写全程断网可用，录音不出门
- 多模型可选：从 tiny 到 large，按机器性能和精度需求挑；也有 faster-whisper 加速版，速度明显更快
- 带时间戳：输出可以带逐段时间戳，配合视频做字幕特别方便，也能直接导出 SRT/VTT
- 多语言识别：中文、英文识别效果都不错，还能自动检测语言
- 导出格式全：txt、srt、vtt 任选，Markdown 也可以
- 跨平台：Windows、macOS、Linux 都有安装包
实测体验
在一台 i5 十代、16GB 内存的普通办公本上实测。选 faster-whisper 的 small 模型，转一段 25 分钟的中文会议录音，大约 4 分钟跑完，准确率比预期好：人名偶尔错，但句子结构和术语基本对，整理纪要时只需要小修。换 large 模型精度还会再提一档，不过转写时间大约翻两倍，风扇也转起来了。
界面确实够简单：选文件、选模型、点转写，三步完事。转写过程实时出文字，可以边跑边看。导出的 SRT 拿去给录屏视频配字幕，时间轴基本对得上，微调几个就行。
不足也明显：界面只有英文，没有中文选项；长音频建议切成 30 分钟以内的小段，超长任务中途没有断点续跑；没有说话人区分，多人会议得自己按上下文分段。
适合谁
- 需要整理会议录音、访谈、课程音频，又不想把素材传上网的人
- 要给视频做字幕、需要 SRT 文件的创作者
- 手头机器配置尚可（建议 8GB 内存起步，有独显更快），愿意多等几分钟换省心的人
需要注意的地方
- 首次使用要先下载模型，small 级别几百 MB，large 要 3GB 上下，网络不好时这一步最磨人
- 强口音、嘈杂环境的识别率会打折，重要场合建议转完通读校对一遍
- large 模型对纯 CPU 机器不算友好，慢是常态
小结
Buzz 把「本地跑 Whisper」这件事的门槛降到了会拖拽文件的程度，换来的是隐私可控和零订阅费。它不追求花哨功能，转写、加时间戳、导出字幕三件事都做扎实了。如果你每个月总有几段录音等着变文字，又不想为在线服务按小时付费，它值得留在工具箱里。