离线AI语音转文字工具:本地运行不限时长,支持GPU加速
上周接了个急活：把一段技术分享会的录屏（45分钟）整理成文字稿。打开剪映的”智能字幕”功能，提示”免费额度已用完，请开通会员”。我又试了某在线语音转文字网站，上传完等了两分钟，最后弹出来”试用版只转前3分钟，完整版99元/月”。
后来在GitHub上逛到一个开源项目，作者打包好了一个本地工具——内置几十款AI大模型，支持中英文等多国语言，关键是不联网、不收费、准确率极高。我花了几分钟配置了一下，把那段45分钟的视频拖进去，不到5分钟就转完了全文，错别字极少，连专业术语都识别对了。
今天就把这台”本地离线语音转文字神器”分享给你们。
这是一款基于AI大模型的本地语音转文字工具，支持将mp4、mov、mkv、avi等视频格式，以及mp3、wav、flac等音频格式，一键转换成文字或字幕文件。
内置了几十款优质AI大模型（比如Whisper系列的tiny、base、small、medium、large-v3等），可选中文、英文、日语、法语等多国语言发音。
-
-
可切换GPU加速：有N卡的话把运算设备从CPU改成CUDA，速度翻几倍
-
高准确率：作者实测宣称99%，我自己用下来至少95%以上，比在线免费工具强太多
-
导出灵活：可输出纯文本（.txt）或字幕文件（.srt/.ass）
打开文件夹，找到 set.ini 这个文件，用记事本打开。
如果你电脑有NVIDIA独立显卡，把 cpu 改成 cuda，保存。这样就会调用显卡来跑AI模型，速度会快很多。我的GTX 1660跑一个10分钟的视频只要40秒。
如果只有集成显卡或者AMD显卡，就保持 cpu 就行，也能跑，只是慢一点。
⚠️ 我当时第一次忘了改，用CPU跑一个半小时的视频等了快20分钟，改成CUDA后直接缩到3分钟。这个坑你们千万别踩。
右键点击工具的主exe文件 → “以管理员身份运行”。不然后面写入模型文件可能会权限不足。
-
发音语言：选”中文”（如果是英文视频选”英文”，可多国语言）
-
选择模型：下拉菜单里有几十个模型。强烈推荐选 large-v3，这是目前准确率最高的版本。我试过对比 base 和 medium，large-v3 的标点符号和长句断句都明显更准。
注意：第一次选 large-v3 时，工具会自动下载模型文件（大约3GB），网速慢的话要等一会儿。但只下载一次，以后永远离线可用。
我一般选纯文字，导出后粘贴到Word里再微调。
把文件拖进去，点按钮。界面会显示进度条，处理速度非常快——作者给的示例是7分钟视频不到1分钟，我自己45分钟的视频用了4分半。
处理完成后，文本框里会直接显示识别出的文字。点”导出文本”，保存成.txt文件。
有一次我转一个背景有风扇噪音的采访录音，识别率掉到了80%左右。后来我把音频提前用AU降噪了一下再扔进去，又回到了95%以上。所以输入音频质量越高，准确率越高。
对比剪映、讯飞听见、网易见外等主流工具，这款本地工具有几个碾压级的优势：
剪映免费版只有每月10分钟，讯飞听见按小时收费（10元/小时）。这个素材随便转，转一整天也不花一分钱。
开会录音、内部访谈、涉密内容，不敢上传到在线网站。这个完全跑在你的电脑上，网线拔了都能用，数据100%安全。
只要有一块N卡，速度比很多在线网站还快。而且不用排队，不用等服务器响应。
如果只求快不求准，可以换 tiny 或 base 模型，速度极快；如果要精校字幕，直接用 large-v3 跑一遍再人工修正，比从头敲键盘省下90%时间。
做双语视频、外文课程字幕时，直接导出SRT文件，导入剪辑软件就能用，省去重新打轴的时间。
两个需要注意的地方
-
首次下载large-v3模型较慢：3GB左右，建议用空闲时间挂机下载，以后就不用联网了。
-
对音频质量有要求：如果原文件背景嘈杂、音量过低或多个人同时说话，识别率会下降。可以先在Audacity里做降噪、音量标准化处理，再导入识别。
我现在已经把这款工具放在工作电脑的桌面上，每周处理访谈录音、会议记录、课程转写全靠它。
如果你也经常需要把音视频转成文字，又被在线工具的收费和隐私问题困扰，强烈推荐试试这个本地神器。
1.压缩包内的资源/内容源于互联网公开分享的内容，本公众号仅做整理和分享，不收取任何费用。
2.本公众号对所提供下载的软件和程序代码不拥有任何权利，其版权归该软件和程序代码的合法拥有者所有。
3.软件仅供个人学习使用，请用户下载后于24小时内删除，并禁止用于商业和倒卖。如真正需要，请支持正版，侵权请联系删除。
4.软件内任何收费，广告宣传，推广信息均为诈骗请勿相信。与本号无关。可反映及时删除
夜雨聆风
