智转AI V8.6 公测重磅升级上线

一场两小时的会，散会之后那 200 分钟

智转AI 是一款完全离线运行的 Windows 语音转文字与 AI 会议纪要软件——音频、转写文本、纪要全部在你自己的电脑本地处理，数据不离开本机。而这次 v8.6 公测升级，主要补上的是"转完之后"的那一段：怎么改得更快、怎么找得回来、怎么让别的软件也能用上它。

先说一个大多数人都经历过的场景。

一场两小时的会，录下来了。回来打开转写工具，导出文稿，粘进文档，改完交差——那个录音文件就躺在文件夹里，再也没被打开过。三个月后你想找"上次张总对交付时间到底怎么说的"，你只记得说过，不记得在哪份文件里。

录音的宿命，好像就是"用完即弃"。

v8.6 想改的是这件事。

而在它之前，还有一层更硬的问题：对很多人来说，连"把录音交出去"这一步都过不去。

一、三类人，三个具体的痛点

这三个人有一个共同点：他们不缺一个转写工具，缺的是一个能放进自己工作流、又不用交出数据的引擎。

他们还有第二个共同点：这类需求是可复制的。同一家律所、同一家医院、同一家客服中心，几十上百个岗位面临的是完全相同的问题。所以智转从一开始就按「可批量部署」来设计——整个安装目录拷进 U 盘就能用，不联网、不逐台配置、不需要为每个人单独开账号。省下来的是部署的人工，不是软件的钱——授权按台算。

而这三类人真正在等的，也正是这次 v8.6 要交出来的东西。

二、v8.6 升级了什么：四条主线

三、多人会议：谁说的分得清

这一条不在刚才的四条主线里——说话人分离 v8.5 就已经有了，v8.6 没有把它当新功能。但它是多人会议能不能用的前提，所以要单独说。

说话人分离默认开启，声线相近也分得开。实测口径：一段 11294 字、237 段的真实多人会议录音，做到字级归属——谁的话归谁。

再配一个声纹注册：录入约 30 秒声音样本，之后遇到同一个人，直接标出真实姓名，而不是"说话人1""说话人2"。

适合：多人会议、庭审、圆桌访谈、病例讨论——凡是"事后要分清谁说了什么"的场合。

顺带把识别精度说清楚：用的是阿里千问 Qwen3-ASR 模型体系（Qwen3-ASR、Qwen3-4B、FunASR），中文及方言达 SOTA 级水平；据 Qwen3-ASR 官方基准，22 种中文方言的平均字错率显著优于 Whisper-large-v3。我们用粤语、四川话、上海话、东北话等方言实机测试均可直接识别，闽南语表现偏弱，建议购买前用你自己的录音实测。

四、录音攒多了，才看出另一层价值：智转AI 知识库

用满一个月以后，你会碰到一个新问题：东西太多了，找不动。

这不是假设。一段录音的价值衰减得非常快——转写完成的那一刻，音频基本就"死"了，你不会再去听第二遍；而文稿的命运通常是被粘进某个文档，然后沉进文件夹。开篇那个"张总对交付时间到底怎么说的"，就是三个月后的你。

录音多了以后，"找"本身变成了新的成本。知识库要做的，是把散落的录音变成一座能被问、能被查、能回放的本地资料库。

三链自动关联：从结论回到证据

每场会议会留下三样东西：录音、转写文稿、AI 纪要。在别的软件里，这是三个独立文件，你得靠文件名去猜它们的关系。

知识库里它们自动绑成一条链。你在纪要里看到一句结论——"交付时间定为三季度末"——单击，跳到这句出自哪段原文；再单击，音频就播到那句话。

这是知识库和"一个存了很多 txt 的文件夹"最根本的区别：你信的不是那份纪要，你能立刻听到原话。对律师核对当事人陈述、对医生复核病例讨论、对记者核实采访原话，这个差别不是方不方便，是有没有底气。

全文搜索打到正文

检索范围不只是标题和文件名——纪要正文里的一句话也能搜到。

配合类型 + 时间双维度筛选，同一场会议的多个文件按"会话族"自动归组（录音、文稿、纪要算作一场，不散落），概览统计会告诉你库里到底攒了多少东西。搜索历史还会留下你反复在查的问题。

播放器条：查到了就直接听

搜到那句话之后不用另外找文件打开。内置播放器条做了这些：倍速记忆（你习惯 1.5 倍就一直用 1.5 倍）、快进快退、拖动定位、续播记忆（上次停在哪，下次从那继续）、关键词高亮定位。

历史资产一键导入

之前散在各处的录音和文稿可以拉进库里，不用从零攒起。

还有一条容易被忽略的区别：这些资产不挂在任何一个云账号上。服务改条款、涨价、甚至关停，都不会让你的资料消失或失去访问权——因为文件从一开始就在你自己的硬盘里。用得越久，这套积累越像是你的资产，而不是别人的筹码。

导出 Obsidian：资料不会被锁死在这一个软件里

最后这条是刻意的。前面那条说的是不怕服务关停，这条说的是不怕被某个软件绑住——能整库导出成 Obsidian 格式，意味着这套积累随时可以接进你自己的笔记体系。

用满半年你会发现，找半年前的原话只要几秒——而不是重新去问一遍当事人。

适合：研究资料库、访谈档案、庭审卷宗、病例留档、课程复习——凡是"录过的东西以后还要翻出来用"的场景。

五、再走一步：让别的软件也能用这套引擎

这一节稍微技术向，但它决定了这个产品是"一个软件"还是"一台电脑的能力底座"。

先说清楚为什么这件事重要。一个软件的能力如果只能在它自己的界面里用，那它是个工具；如果别的程序也能调用它，它才开始变成基础设施。v8.6 提供三条接入路径，对应三种完全不同的用法。

路径一 · HTTP 标准接口：给脚本和业务系统

接口地址与 Token 就在软件左面板「开放API」区，复制即用。能调用的能力包括：提交转写任务（可顺带生成纪要、可带回调通知）、上传文件转写、查询进度、读取全文、全库搜索、导出笔记，以及任务列表与模板列表。

走的是最通用的 HTTP + JSON。这意味着不挑语言、不挑框架、不需要装 SDK——任何能发请求的程序都能驱动它。

三个真实用法：

• 定时归档：设定每天凌晨自动转写昨天的录音，早上上班，纪要已经在库里等你；

• 客服质检（就是前面阿哲的第二个需求）：装在同一台电脑上的客服系统，把每天几百通通话录音的路径发给智转，转完自动搜"有没有报工号""有没有说禁语"，几百通几分钟查完；

• 业务系统对接：装在同一台电脑上的会议管理系统在散会时把录音交给智转，拿到任务号、带上回调地址；转完后智转主动回到这个本机地址通知，系统取全文、触发纪要、自动归档进这场会议——从"散落录音"到"结构化会议档案"，全程无人工。

任务采用「提交 → 轮询查询」的异步模式，串行排队逐个处理，不会因为一次批量导入就把显卡打满。

路径二 · OpenAI 语音接口兼容：给已经在用 Whisper 生态的人

这一步的价值不在技术上，在生态位上。

市面上支持 Whisper / OpenAI 语音接口的软件已经非常多——录音工具、字幕工具、AI 工作流。它们要的只是一个能返回文字的地址。

所以接入只要两步：把该软件设置里的 API 地址改成智转的本机地址（面板上复制出来，补一个 /v1），API Key 填智转 Token。完成后，这个软件发出的语音识别请求，就由你电脑上的本地引擎处理。返回格式与 OpenAI 一致，连错误格式都对齐。

不需要厂商适配，不需要等谁更新。改个地址，那套你已经在用的软件，立刻换上了一个不上传数据的本地引擎。

阿哲走的正是这条——公司不允许录音出内网，但允许他在自己那台办公电脑上跑。装在同一台电脑上的质检系统把地址改成智转的本机地址，录音就交给本地引擎，拿回全文在质检系统里跑关键词；要听某一句话的原音，回到智转里点那一句就能播——时间轴在智转这边。

路径三 · MCP 标准协议：给用 AI 客户端的人，全程点鼠标

MCP（Model Context Protocol）现在是 AI 行业的事实标准，由 Linux 基金会中立治理、主要 AI 厂商共同采用。它解决的问题很具体：让 AI 助手不只会说话，还能动手。

配置三步：面板「一键 MCP 配置」点「生成」（本机路径自动填好）→「复制」→ 粘贴进 Claude Desktop / Cursor 等客户端的 MCP 设置，重启客户端。

之后你在对话里直接说人话就行：

"帮我把 D:\录音\周会0115.mp3 转写并出纪要"

"用访谈纪要模板转写 D:\录音\客户访谈.mp3"

"刚才那个任务好了没"

"看看我现在的任务列表"

"搜一下我所有录音里提到『预算』的地方"

"把『医疗』热词包启用"

AI 自己判断该调哪个能力，调完结果直接回到对话里。录音路径直接贴在话里最省事，忘了贴它会问你；超过两三分钟的录音是排队转的，它会先回一句"任务已提交"，你隔一会儿说"刚才那个任务好了没"，全文和纪要就一起出来了。v8.6 的 MCP 工具已扩到 8 个，覆盖转写、纪要、知识库搜索与全文读取、行业热词管理、任务列表、模板列表。

关键一点：MCP 服务器只是一座桥。它调用的还是本机引擎，数据全程不出机。

适合：已经用 Whisper 生态的录音/字幕工具、公司内部业务系统、批量质检脚本、Claude Desktop 与 Cursor 这类 AI 客户端——凡是"想让别的软件也用上这套引擎"的场景。

为什么是这三条路，而不是我们自己定一套

因为这三套标准各自背后，都站着已经存在多年的庞大软件生态：HTTP + JSON 是一切编程语言、一切系统；OpenAI 语音接口是整个 Whisper 生态；MCP 是所有主流 AI 客户端。

智转把自己接进去，等于把自己的能力交给了整个生态——接入的想象力不取决于我们写了多少适配器，而取决于这些标准已经流行了多久。

市面上的转写工具大致分两类：在线云服务（要上传，隐私没有保障）和离线工具（封闭，能力锁死在界面里）。两头都占的产品很少——开放接口的基本都在云上，真离线的又往往是封闭的。这个空档，就是智转AI 站的位置。

「真离线 + 开放接口」到底难在哪

离线不难，开放接口也不难。难的是两件事同时成立，而且必须在用户手上那台普通电脑里成立。这是我们花时间最多的地方：

① 要在用户已经有的电脑上跑得动。云厂商可以把模型堆在机房，我们不能要求用户换电脑。同一套模型要在 GTX 1060 6GB 的老显卡上跑，显存不足要自动降档，没有独显要退回 CPU，还要连续数小时不断线、不丢字——这是调度与降级的硬工程，不是调一个接口。

② 要同时接上两套已经存在的行业标准。OpenAI 语音接口让存量软件改个地址就能用，MCP 让 AI 客户端能直接调。两者都要在本机闭环完成，不做转发、不绕云端。

那数据到底安不安全？五道防线写在代码里

这是最多人问的问题——"开放"听起来像把门打开了，而"离线"承诺的是门一直关着。

两者其实是同一件事的两面："离线"锁的是数据的去向，"开放接口"开的是能力的出口。数据一步没出本机，出去的只是"转写能力"本身。关键要看清"谁在调用"——这三条路径服务的都是同一台电脑上你自己的其他软件，不是互联网上的任何人。

具体到实现：

数据流全程：录音 → 本机转写 → 本机文件 → 本机其他软件读取。每一环都在这台电脑里。

如果你不想用这些接口，完全没影响。不复制 Token、不配置对接，接口就处于闲置状态，界面功能一切照旧——它是多出来的一条路，不是必须走的路。

接口地址、参数、回调机制、命令示例等技术细节都在《开发者对接文档》里（安装目录随包附带，官网也可下载），会用 HTTP 请求就能接。面向个人与本机场景的开放能力随 v8.6 提供；面向团队协作与远程业务系统的企业级部署方案（多机接入、集中管理）已在规划中。

六、跑在你什么电脑上

有 NVIDIA 独显：最低 GTX 1060 6GB，推荐 RTX 3060 12GB 以上；显存最低 4GB（不足自动降档）；内存 8GB 起。

没有独显也能用：自动切 CPU 引擎，Intel i3 8代 / AMD Ryzen 3 起步，普通办公本即可流畅完成高精度转写；8GB 及以上内存同样能生成 AI 纪要。AMD / Intel 显卡走 CPU 模式，照样可用。

存储：留出 20GB 以上（推荐 40GB SSD），AI 模型按需下载。

没有外网的电脑：在联网电脑装好后，把整个安装目录用 U 盘拷过去，双击主程序即用——无需解压、无需重装、无需联网。多台电脑要用，拷贝方式一样，但授权是按台算的：每台单独激活。

七、价格

永久买断的含义，我们写准确：当前大版本 v8.x 永久使用，包含 v8.x 期间的全部功能更新与修复（v8.3 → v8.6 的升级都已包含）。未来大版本迭代时老用户享有升级优惠。

国家版权局软件著作权登记、360 官方安全认证、Certum OV 代码签名，三项资质均已取得，可在对应官方渠道自行查询。

八、怎么下载

官网 aizhizhuan.cn 提供两个版本，并存、按需选。这是特意的：双轨发版——新功能版先以公测形式开放，收集真实场景反馈后再转正式版；稳定版用来保住生产环境。任何一版在实际使用中出问题，都能原地回退到另一版，不影响已有的录音和文稿。

装完即可享 90 分钟全功能免费试用，不用注册绑定。授权码一机一码绑定本机，换机请先联系客服协商。

九、常见问题

Q1：v8.6 和 v8.5 什么区别？我该装哪个？三项是新增：点哪里播哪里、本地知识库、本机开放接口；一项是升级：边录边转——实时转写 v8.5 就已有，v8.6 解决的是长会议不敢用、出稿还得重转这个成熟度问题。想用新功能就装 v8.6；如果是靠它吃饭、一天都不能停的生产环境，可以先留在 v8.5 稳定版，等 v8.6 稳定版再升——两个版本官网都有。

Q2：真的全程不联网吗？录音会不会被上传？不会。识别、转写、纪要全部在本机完成，装完之后拔掉网线照样能用。这一点你可以自己验：断网跑一段录音，看它是不是照样出字。

Q3：没有独立显卡能用吗？能。没有 NVIDIA 独显会自动走 CPU 引擎，Intel i3 8 代 / AMD Ryzen 3 起步的普通办公本就能转写；内存 8GB 及以上同样可以生成 AI 纪要。显卡越好越快，但没有也能干活。下一个版本 v8.7 的主要目标就是进一步提速——有独显、没独显，都会在现有功能的基础上全面大幅提速。

Q4：支持 Mac 或手机吗？能导出哪些格式？目前只支持 Windows 10 / 11（64 位），macOS、Linux、手机端暂时没有。导出支持 Word / SRT / Markdown，知识库可整库导出为 Obsidian 格式。

Q5：识别准确率到底怎么样？核心是阿里千问 Qwen3-ASR 系列模型，中文及方言在官方基准中处于 SOTA 级；22 种中文方言的平均字错率显著优于 Whisper-large-v3。我们自己做过的方言实机测试里，粤语、四川话、上海话、东北话都能直接识别，闽南语偏弱。准确率跟录音质量强相关——安静环境、近场录音效果最好，建议先用你自己的真实录音试 90 分钟再决定。

Q6：开放接口会不会反而把数据暴露出去？不会。接口只监听本机回环地址，别的电脑和手机在网络层面就到不了；就算在同一个局域网，也调不到这台机器上的接口——带 Token 也一样。个人版一机一码，接口只服务这台电脑上的软件：公司里有几十台电脑，就是几十台各自的授权。而且我们根本不提供删除数据的接口。

什么情况下，先别买它

我们不打算把这款软件卖给所有人。下面这几种情况，钱花了大概率会后悔——早说比晚说好：

如果上面这几条都不适用于你，那它大概率能帮上你。我们把话说在前面，不是自曝其短——是不想让你买完才发现。

最后一句

不用先决定买不买。

下载安装包，90 分钟全功能试用，不用注册绑定。我们只有一个请求：先把网线拔了再试。转写、纪要、说话人分离照常跑——这就是这个产品全部的承诺，也是它唯一需要证明的事。

所有转写文本与 AI 纪要均由人工智能生成，仅供参考。正式发布、归档或对外提交前请逐字校对，数字、人名和决定事项重点核对。

你的会议，你最有发言权。