MediaChef 音频转文字

把音频转成文字 — 离线，在你自己的电脑上

MediaChef 通过 whisper.cpp 在本地运行 OpenAI 的 Whisper。下载一次模型，然后把录音或视频放进投放区，挑你要的输出：纯文本、带时间轴的 SRT 或 VTT 字幕，或者带每段起止时间的 JSON。音频从不上传，也没有按分钟计费。

你会得到什么

00:00:04 大家好，我们开始吧…… 00:00:11 第一项：本季度的计划。 00:00:19 有三种方案，我把表格调出来。

TXT 不带时间，SRT 和 VTT 带时间，JSON 里有每一段的起止时间。

怎么转写一段录音

下载 MediaChef

macOS、Windows 或 Linux 各一个文件。whisper.cpp v1.7.6 已经在下载包内；只有模型是单独下载的。
选一个 Whisper 模型

打开「模型」下载一个——small（488 MB）是均衡的默认选择。下载一次之后，断网也能转写。
放入录音或视频

音频和视频都行：MediaChef 会自己从视频里取出声音，所以会议录音和 MP4 走的是同一条路。
选择你要的输出

要 TXT 就用「把音频转成文字」，要带时间轴的字幕就用「把音频转成 SRT 字幕」或「把音频转成 WebVTT」，给工具用就选「把音频转成带时间的 JSON」。
按下开始并读结果

文字会以 talk.transcript.txt 的名字落在文件旁边。队列显示进度；如果文件里没有语音，MediaChef 会直说，而不是写出一个空文件。

目录里有四个模型，在应用内下载。模型越大，文字越好，同一台机器上耗时也越长，所以按任务来挑，而不是一次定终身。

模型	下载体积	什么时候选它
`tiny`	78 MB	对清晰语音做第一遍，或者你只需要找到某个话题从哪里开始。
`base`	148 MB	给自己看的笔记：反正你都会再扫一遍并修改的可读文字。
`small`	488 MB	所有转写配方的默认值，也是多数人最后留下的那个。访谈、会议、讲座。
`large-v3-turbo`	1.62 GB	要给别人看的文字：你会发布的字幕、你会引用的原话。针对 Apple Silicon 优化。

语言会自动识别，你也可以固定它。另有两个配方能把任意语言在同一遍里翻译成英文——输出文字或带时间轴的字幕。

机密音频依然机密。 访谈、诊疗记录、法律通话，以及任何受保密协议约束的内容：读取文件的只是你自己机器上的一个进程，除此之外没有别的。

不按分钟计费。 云端转写按分钟收费。在本地，第十个小时的音频和第一个小时一样：不要钱。

没有时长和体积限制。 四小时的录音就是队列里的一个任务，既不是付费档位，也不用把文件切开将就。

完全不需要网络。 模型落到硬盘上之后，转写就是离线的：在飞机上、在实验室里、在与网络隔离的机器上都行。

字幕和文字一遍出。 SRT 和 VTT 带着给播放器用的时间轴，TXT 是干净的正文，JSON 里有分段时间供你自己的脚本使用。

Whisper 转写有多准？

准确度取决于模型：tiny 是草稿，small 是均衡的默认值，large-v3-turbo 在语音清晰时接近人工水平。单人、干净的音频效果最好；口音很重、多人抢话、人声下面压着音乐都会拉低准确度——任何语音识别系统都是如此。

支持哪些语言？

Whisper 覆盖约一百种语言并会自行识别语种；如果识别错了，你也可以手动固定。有两个配方能把其中任意一种语言的语音一遍翻译成英文，输出文字或 SRT 字幕。

转写结果有哪些格式？

纯文本用 TXT，给播放器和剪辑软件用的是带时间轴的 SRT 和 VTT，给脚本和工具用的是带每段起止时间的 JSON。

需要联网吗？

需要一次，在「模型」界面下载一个 Whisper 模型——按你选的不同，从 78 MB 到 1.62 GB。之后转写完全离线运行。

如果录音里没有语音怎么办？

MediaChef 会报告「未检测到语音」，而不是写出一个空文件再给任务打上绿勾。静音、没有人声的音乐、以及选错的文件，结局同样如实。

MediaChef 0.4.1 — Whisper 本地运行，免费且开源。

MediaChef 还很年轻：安装包尚未由 Apple 或 Microsoft 签名，因此首次启动会要求确认——每个下载包里都附有纯文本说明。