一场一小时的客户拜访，回来手打纪要，很多人要花四十五分钟到一个小时。录音其实都在手机里，缺的是“把声音变成可改的文字”。网上也有转写服务，可会议里常有客户名、金额、未公开的产品计划，不少人不想上传。
我在一台没有独立显卡的普通电脑上（8核处理器、16G内存），用开源桌面软件 Buzz，对一段约10分钟、全文已知的标准普通话录音做了转写实测。结论先放这：最小模型约8秒出稿，错字率约12%；想要内部纪要底稿，选中号模型约41秒，错字率约5%。 再大一号几乎不更准，却慢到约1分44秒。
一、它是什么？一句话
Buzz 是一个免费开源的桌面软件，能在自己电脑上把录音、视频里的说话内容转成文字，也可以边说边转。底下常用的引擎之一叫 Faster Whisper；本次数字就是在同一台电脑、同一段录音上，用这一引擎的四个型号测出来的。
二、普通人怎么开始用
- 在 Buzz 的发布页下载对应系统的安装包（Windows、苹果电脑、Linux 都有），像装普通软件一样安装；
- 打开后新建转写任务，选中本地的录音或视频文件（第一次使用会下载模型，需要一些硬盘空间和网络）；
- 选好模型和语言（中文选中文），点开始，完成后可导出文本或字幕。
图：Buzz 主界面（官方截图，橙色框为操作区示意）。装好后主要就是选文件、选模型、开始转写。
全程不需要敲命令行。模型下载完成后，断网也能继续转——适合不想把会议原声传到网上的场景。
三、实测结果
测试音频约 9分59秒，内容是一份自拟的产品周会讲稿，共约1276个有效汉字（标点与空白已去掉）。四个型号都在 CPU、int8 下跑，不使用独立显卡。错字率按“转写结果与已知原文逐字比对”计算；其中把「三十七」写成「37」这类数字写法差异也计入，所以观感上的“能读懂比例”会略好于表内数字。
四个型号实测（约10分钟录音，无显卡CPU）：
- tiny 小：转写约8秒，错字率约11.8%，峰值内存约0.8GB
- base 中小：转写约14秒，错字率约7.8%，峰值内存约1.0GB
- small 中：转写约41秒，错字率约5.3%，峰值内存约1.5GB
- medium 大：转写约104秒，错字率约5.2%，峰值内存约3.5GB
图1：同一段约10分钟录音，四个型号的转写耗时与错字率。
图2：转写时的峰值内存。小模型不到1GB，大模型约3.5GB。
换算一下：若按 tiny 的速度，1小时录音大约1分钟内能出一版草稿；按 small，大约 4分钟出一版更稳的底稿。这和“回来手打四五十分钟”比，差距主要就在这里。
四、真实错字长什么样
同一句「请大家先把手机调成静音……二十八条来自销售和外勤同事」：
- tiny（约8秒）：把「静音」听成「进音」，「外勤」写成「外情」，「纪要」有时收成「机」——快，但关键词容易跑偏；
- small（约41秒）：「静音」「外勤」正确，仍会出现「纪要→机要」这类个别错，整体更适合当纪要底稿。
图3：同一句原文，tiny 与 small 的典型差异。
另外，medium 比 small 慢约2.5倍，错字率几乎一样（约5.2%对约5.3%）。在这台无显卡电脑上，为多那一点点准确去等两倍时间，通常不划算。
五、它的短板
- 不是零错字：人名、金额、产品型号、冷门缩写仍要人工核对，不能直接发给客户；
- 第一次要下模型：体积从大约几十兆到数吉不等，需留硬盘，并最好在稳定网络下完成首次下载；
- 口音与嘈杂环境会变难：本次用的是清晰普通话讲稿，真实会议室、多人抢话、方言会更难，错字率会升高；
- 无显卡就靠CPU：家用轻薄本可能比本次8核机器更慢，以自己电脑为准；
- 本次测的是 Faster Whisper 引擎路径；Buzz 里若换其他后端，速度和效果会不同，需另行实测。
六、结论
- 会议录音可以在自己电脑上转成文字，装好 Buzz、选好模型即可，不必上传原声；
- 只要快出草稿：tiny 约8秒、错字约12%，适合自己改；
- 日常内部纪要：优先 small，约41秒、错字约5%；
- medium 更慢、几乎不更准，这台机器上不必默认上大模型；
- 不论哪个型号，发出去之前核一遍人名和数字。
图4：按场景选模型。耗时与错字率为本次约10分钟录音实测。
你更常遇到的是“先要一版草稿自己改”，还是“纪要差不多能直接用、只改人名数字”？评论区说说你一场会大概录多久。
热门跟贴