每天两三小时的视频会议后，你记得谁承诺了什么吗？我不记得。试过Otter.ai、Fireflies、Granola这些云端转录服务，但公司安全策略不允许会议音频流出内网。

于是我做了Scripta：一款开源macOS应用，同时录制通话双方、实时转录、生成AI摘要——全部在本地运行。零云端请求，零订阅费，零数据外泄。

打开网易新闻 查看精彩图片

GitHub: github.com/thehwang/Scripta

双声道难题

多数转录应用只处理单路音频。播客没问题，但会议有两个独立音源：你的麦克风，以及系统音频里传出的远程参会者声音。混成一路，就无法区分谁说了什么。

如果尝试用Apple的SFSpeechRecognizer同时跑两个识别任务，系统会抛出一个有趣的错误：kAFAssistantErrorDomain Code=1101——苹果的语音框架静默拒绝并发执行。

我的解法是用两套完全不同的自动语音识别引擎：

麦克风 → whisper.cpp：Whisper模型本地运行，Metal加速。base模型仅142MB，在Apple Silicon上实现>15倍实时速度——5秒音频约0.3秒转录完成。

系统音频 → SFSpeechRecognizer：苹果的设备端语音识别处理远程音频，对压缩过的VoIP音频效果良好，且不与Whisper争抢GPU资源。

这种混合方案既避开了SFSpeechRecognizer的并发崩溃，又保持全流程本地执行。

用ScreenCaptureKit捕获系统音频

macOS 13之前，捕获特定应用系统音频需要各种hack：BlackHole等虚拟音频设备、聚合设备，或内核扩展。ScreenCaptureKit彻底改变了这一局面。

关键发现：ScreenCaptureKit可以只捕获音频——完全不需要录屏。把视频尺寸设为2×2像素，启用音频即可：

let config = SCStreamConfiguration()
config.capturesAudio = true
config.excludesCurrentProcessAudio = true // 防止反馈环路
config.sampleRate = 16_000
config.channelCount = 1
config.width = 2 // 最小视频——我们只要音频
config.height = 2

excludesCurrentProcessAudio = true至关重要。没有它，应用自身播放的任何声音都会被捕获，形成反馈环路。