加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象这样一个场景：你参加了一场两小时的产品评审会，会后收到一叠混乱的笔记，却发现漏记了最关键的决策；或者你是视频创作者，每次给字幕都要花半小时反复拖进度条。现在，有一款叫 Buzz 的开源工具正在改变这一切——它能在你的电脑上离线完成语音转文字，而且完全免费、不需要网络。
Buzz（GitHub stars 19398，MIT 协议）是一款基于 OpenAI Whisper 模型的本地音频转录和翻译工具。与在线转录服务不同，Buzz 的所有处理都在本地完成——音频文件从未离开你的设备，这意味着隐私安全、离线可用，而且完全免费。
2022 年 OpenAI 发布 Whisper 模型后，开发者 Chidi Williams 敏锐地意识到：虽然 Whisper 模型已经开源，但普通用户使用它仍然需要写代码、搭环境。 Whisper 的潜力被锁在了技术门槛背后。于是他用 PyQt6 构建了一个开箱即用的桌面应用，让任何人都能用上 Whisper 的能力。这个项目迅速获得了社区认可，GitHub stars 逼近 2 万，成为了 Whisper 生态中最受欢迎的 GUI 工具之一。
很多人以为 Whisper 只是一个"听写工具"，但 Buzz 告诉你它远比这强大：
多模型后端支持：Buzz 并没有绑定单一实现。它同时支持 OpenAI Whisper 官方模型、Faster Whisper（速度提升 4-5 倍）、Whisper.cpp（支持 Vulkan GPU 加速，兼容 AMD 显卡）、Hugging Face 上的 Whisper 兼容模型，以及 OpenAI Whisper API。这意味着无论你用英伟达 GPU、Mac M 芯片还是纯 CPU，都能找到合适的运行方式。
文件格式全覆盖：Buzz 支持导入音频文件（MP3、WAV、M4A 等）和视频文件（MP4、MOV、AVI 等），并导出为 TXT（纯文本）、SRT（字幕文件）和 VTT（WebVTT 字幕）三种格式。内置的 yt-dlp 模块还支持直接从 YouTube 等平台下载音视频并自动转录。
实时录音转录：Buzz 提供了麦克风实时录音功能，可以一边说话一边看到转录结果（虽然因本地处理速度限制，不是严格的"实时"，但对于播客录制、会议记录等场景非常实用）。
翻译能力：除了转录英文，Buzz 还能借助 OpenAI API 兼容的大语言模型对转录内容进行翻译，支持多语言互译。
说话人识别：对于多人对话场景，Buzz 支持说话人识别（Speaker Identification），能自动标注不同发言者。
视频字幕同步：转录后的字幕文件（SRT/VTT）可以与原视频时间轴精确对齐，导出后直接用于视频压制。
从代码结构看，Buzz 采用经典的桌面应用架构：
main.py + PyInstaller spec（跨平台打包）buzz/buzz.py 处理主窗口逻辑，buzz/transcriber/ 目录下管理各类转录引擎file_transcriber.py（文件转录）、whisper_file_transcriber.py（官方Whisper）、local_whisper_cpp_server_transcriber.py（Whisper.cpp）、openai_whisper_api_file_transcriber.py（API方式）cuda_setup.py 负责 GPU 环境检测，faster-whisper 后端直接调用 CUDA 加速矩阵运算pyproject.toml 管理约 50+ 依赖（含 torch、torchaudio、transformers 等重量级包）项目还包含完整的 CLI 接口（buzz/cli.py），支持命令行批量转录，适合自动化工作流。
普通用户（桌面应用）：
进阶用户（命令行）：
pip install buzz-captions
python -m buzz
开发者：
git clone https://github.com/chidiwilliams/buzz
cd buzz
uv sync
python -m buzz
Buzz 的 GPU 推荐配置为 NVIDIA 显卡 + 4GB 以上显存（faster-whisper 模型）。在没有 GPU 的情况下，Buzz 仍可运行，但处理速度会显著降低（CPU 模式）。内存建议 8GB 以上，磁盘空间约 3GB（包含模型文件）。
1. 非真正实时转录：Buzz 标注了"Resource-intensive and may not be real-time"，意思是麦克风录音转录不是严格意义的实时同步。对于需要实时字幕的场景（如无障碍辅助），仍有局限。
2. 模型精度依赖音频质量：在嘈杂环境或多人同时说话的情况下，转录准确率会明显下降。Buzz 内置了 Demucs 语音分离预处理模块，可以在一定程度上改善这一问题，但无法完全替代专业录音环境。
3. GPU 环境配置门槛：对于没有英伟达显卡的用户（如 AMD 显卡或纯 CPU），最佳实践需要使用 Whisper.cpp 或 Mac 专用版本，配置过程有一定门槛。
4. 缺乏自动字幕时间轴对齐：虽然支持 SRT/VTT 导出，但对于视频压制等需要精确帧级对齐的工作流，仍需配合 FFmpeg 等工具二次处理。
Buzz 的意义不仅在于它是一个好用的工具，更在于它代表了一种趋势：开源 AI 模型从"能跑"到"好用"的最后一公里问题，正在被社区逐一攻克。类似 Buzz 的工具还有 Whisper Desktop、Buzz Capsions 等，它们共同降低了 Whisper 的使用门槛，让普通用户无需写代码也能享受最前沿的语音识别能力。
根据 GitHub 动态，Buzz 保持着活跃维护（v1.4.5，2025年），持续跟进 Whisper 模型更新，并提供 Docusaurus 文档站（含简体中文翻译）。作者 Chidi Williams 还维护着配套网站 buzzcaptions.com，提供更多使用指南。
总结评分：