一个本地免费语音转文字的软件推荐:安全,快速,批量处理,在线视频直转,在线视频下载,一键搞定!

不知道你有没有经历过这种让人头疼的场面：

好不容易录完两小时的行业讲座、客户访谈或者部门复盘会，到了整理纪要时，只能戴上耳机开 1.5 倍速，听一句敲一句。暂停、倒退、继续听……整整折腾一个通宵，手指头敲到酸痛，效率还低得可怜。

网上的在线转写服务确实不少，但痛点也很明显：要么免费试用只给寒酸的 10 分钟，随后就要按分钟计费或者掏几百块买月卡；更关键的是隐私安全——公司的财务报表、敏感会议记录、未公开的独家访谈，谁敢轻易上传到第三方的云端服务器上去？万一数据泄密，后果难以承受。

我自己平时也有大量的讲座与访谈录音要整理，被各种收费限制和网络延迟折腾了几轮之后，索性利用业余时间自己动手，做了一款完全跑在本地、断网可用的桌面端语音转文字工具——闻见（EchoSmith）。

它完全免费，源代码全部公开（MIT 协议），macOS 与 Windows 都能直接下载安装。以下是软件介绍视频，可点开播放。

（上面这段 58 秒的实机演示，展示了它的转写流程与操作体验）

很多号称“本地运行”的软件，背后悄悄留着后门往云端发数据。闻见从底层设计上就切断了这种可能：它的核心识别引擎与模型权重完全内置在本机。

• 强大的本地模型
  ：底层采用阿里巴巴 FunAudioLLM 团队开源的 SenseVoice 语音识别模型，配合高性能的 sherpa-onnx 本地推理引擎。
• 开箱即用零折腾
  ：模型经过 INT8 量化，体积压缩到了 228MB，我已经完整打包进了软件安装包。安装好直接就能用，不需要你配置复杂的 Python 环境，也用不着四处找网盘下载模型权重。
• 拔掉网线照样跑
  ：转写过程中哪怕断开 Wi-Fi 或开启飞行模式，它照样流畅运行。商业机密、内部采访、私人语音素材，自始至终安安静静躺在你自己的固态硬盘里，谁也带不走。

本地跑 AI 模型，很多人最担心两件事：速度慢如蜗牛，或者风扇狂转导致电脑卡死。

闻见在这两点上都下了功夫。在我自己的 Mac（Apple M1 Max）上实测，闻见的实时率（RTF）只有约 0.042。

通俗地说，一段长达 60 分钟的录音，转写只需要大约 2 分半钟。

应用启动后会自动检测你电脑的 CPU 核心数，合理分配多线程并行计算。整个转写过程的内存占用稳定在 500MB 左右，非常轻巧克制。后台默默跑着任务，你前台写文档、回邮件、看网页，完全感受不到任何卡顿。

用过普通转录工具的朋友都有体会：最让人崩溃的，往往是软件吐出来一整屏密不透风、连标点和换行都没有的“文字砖头”。几万字挤成一团，光是看一眼就让人眩晕。

闻见在进入识别前，会先调用 Silero VAD（语音活动检测）模块扫描音频。它能够灵敏地识别出说话人的呼吸停顿和句间留白，顺着语流的停顿把整段音频自动切分成自然的一句一句，再逐句识别。

这样转写出来的文字，天然就带有清晰的换行与断句，校对和阅读极为轻松。

如果你平时做视频剪辑、播客运营或者上网课做笔记，这个功能尤其省心：勾选导出 SRT 字幕格式，它会生成带有精确时间轴的字幕文件。直接把 SRT 拖进剪映、Premiere 或者 Final Cut Pro，省去了大把手工打轴的时间。

手头如果积攒了一整个学期的网课，或者几十段分散的采访录音，一个一个手动上传、等待、下载简直是折磨。

在闻见的“批量转写”面板里，你可以把一整个文件夹的所有音视频文件直接拖进去，勾选需要的格式（纯文本 TXT、带时间轴的 SRT 字幕、适合程序处理的 JSON），点击“开始转写”，就可以放手去喝咖啡了。

转写完成后，生成的文件会自动按照相同的文件名，保存在原始文件所在的文件夹里。比如丢进去一个 第二讲.m4a，处理完后旁边就会规规矩矩多出 第二讲.txt 和 第二讲.srt，连手动归档和重命名的麻烦都省了。

兼容的格式覆盖很广：

• 音频
  ：MP3、WAV、M4A、FLAC、OGG、AAC、WMA、AIFF、CAF 等；
• 视频
  ：MP4、MOV、AVI、MKV、WEBM、M4V 等（不需要提前把视频里的音频抽出来，直接把视频文件拖进去即可转写）。

有时候在 B站、YouTube、抖音或者 Twitter/X 上看到一段很有深度的演讲、行业分析或者公开课，想把里面的干货提炼成思维导图或读书笔记，但手头没有音频源文件怎么办？

闻见内置了开源抓取工具 yt-dlp。在“在线视频”页面里，只需要把网页链接复制粘贴进去，点击解析，软件就会自动将音频拉取下来，并无缝切入本地转写流程。

做知识库沉淀、写行业研报、整理网络素材时，这一套组合拳非常趁手。

闻见目前最新的版本是 v1.4.5，同时支持 macOS（Intel 芯片与苹果 Apple Silicon 芯片通用）以及 Windows 64 位系统。

安装包可以在 GitHub Releases 页面免费下载：

github.com/JingZhaoQi/EchoSmith/releases

• macOS 用户
  ：下载 EchoSmith_1.4.5_universal.dmg
• Windows 用户
  ：下载 EchoSmith_1.4.5_x64-setup.exe（安装版）或 .msi 文件

macOS 用户首次打开提示

：由于个人开源项目没有购买苹果昂贵的开发者签名公证证书，Mac 系统首次打开时可能会提示“无法打开，因为无法验证开发者”。解决非常简单：在“访达 - 应用程序”里找到 EchoSmith，右键点击选择“打开”；或者打开“终端”，复制执行下面这行命令按回车，之后就能像普通应用一样直接双击运行：xattr -cr /Applications/EchoSmith.app

如果你此前安装过旧版本，建议直接升级到 v1.4.5。最新版更新了 yt-dlp 核心，修复了 B站与 YouTube 视频解析偶现失效的问题，并优化了 macOS 退出后的后台进程清理逻辑。

闻见采用宽松的 MIT 协议 完整开源，项目主页在 GitHub：

github.com/JingZhaoQi/EchoSmith

工具依托于众多优秀的开源项目（SenseVoice、sherpa-onnx、Silero VAD、yt-dlp、Tauri 与 FastAPI），在这里向这些项目的贡献者们致谢。

如果这款工具刚好能帮你把繁琐的录音听写和字幕打轴自动化，省下买付费软件的钱，欢迎在 GitHub 上给它点一个 Star，也欢迎转发给身边经常需要整理会议纪要、听讲座、做视频的朋友。

使用中如果遇到任何细节问题，或者有什么实用功能希望添加，可以在 GitHub 提 Issue，也可以直接在本文留言区告诉我。