---
title: "用 Whisper 离线把音频转成文字 — MediaChef"
description: "在自己的电脑上用 Whisper 把录音变成文字：TXT、SRT、VTT 或 JSON。不用上传、不按分钟计费、没有时长限制。面向 macOS、Windows 和 Linux 的免费应用。"
url: https://mediachef.app/zh/yinpin-zhuan-wenzi/
language: zh
---

# 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。

[下载 macOS 版 66 MB · Apple Silicon](https://github.com/Kom1sh/mediachef/releases/download/v0.8.7/MediaChef_0.8.7_aarch64.dmg) [Windows 82 MB · 64 位](https://github.com/Kom1sh/mediachef/releases/download/v0.8.7/MediaChef_0.8.7_x64-setup.exe) [Linux 181 MB · x86\_64](https://github.com/Kom1sh/mediachef/releases/download/v0.8.7/MediaChef_0.8.7_amd64.AppImage)

免费且开源—— [在 GitHub 上查看代码](https://github.com/Kom1sh/mediachef)  [全部文件与版本说明](https://github.com/Kom1sh/mediachef/releases/latest)

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

1.  ### 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。
    
2.  ### 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。
    
3.  ### 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。
    
4.  ### 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」。
    
5.  ### 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。
    

 ![转写前的 MediaChef：录音的投放区，侧边栏里是「模型」，Whisper 模型从那里下载。](https://mediachef.app/_astro/app-main-zh-light.DrjmBGkU.png)

模型放在侧边栏里——下载一次，之后就离线转写。

## 该选哪个 Whisper 模型

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。

## 为什么在自己的电脑上转写

**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。

## 常见问题

**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。

**可以把视频转为文字吗，还是只能音频？**

视频一样可以。MediaChef 会直接从文件里提取声音，所以 MP4、MKV、MOV 都能直接转文字，还有一个单独的菜谱「从视频里取出文字」。不必先把视频转换成音频。

## 把那段录音变成文字

MediaChef 0.8.7 — Whisper 本地运行，免费且开源。

[下载 macOS 版 66 MB · Apple Silicon](https://github.com/Kom1sh/mediachef/releases/download/v0.8.7/MediaChef_0.8.7_aarch64.dmg) [Windows 82 MB · 64 位](https://github.com/Kom1sh/mediachef/releases/download/v0.8.7/MediaChef_0.8.7_x64-setup.exe) [Linux 181 MB · x86\_64](https://github.com/Kom1sh/mediachef/releases/download/v0.8.7/MediaChef_0.8.7_amd64.AppImage)

免费且开源—— [在 GitHub 上查看代码](https://github.com/Kom1sh/mediachef)  [全部文件与版本说明](https://github.com/Kom1sh/mediachef/releases/latest)

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。

有问题，或者少了什么？给我们写信： [hello@mediachef.app](mailto:hello@mediachef.app)

接着读

-   [完整的菜谱目录，按类别排列](https://mediachef.app/zh/caipu/)
-   [把 MP4 转成 MP3 — 免费且离线](https://mediachef.app/zh/mp4-zhuan-mp3/)
-   [全部 19 个配方与 MediaChef 的工作方式](https://mediachef.app/zh/)
