Whisper Transcriber Suite：免费开源的本地录音转文字工具

1. 导入录音，生成文稿

处理冗长的访谈录音、讲座视频或会议记录时，把音视频文件直接拖进 Transcribe 标签页，或者粘贴视频链接，生成的文稿就会直接保存在原文件旁边。软件内置了 ffmpeg 和 yt-dlp，首次启动时的快速向导会让你选择主要语言以及侧重速度（Fast，约 500 MB）或质量（Best quality，最高约 3 GB）的模型；首次转录时下载一次语音模型后，后续识别都在自己的电脑上完成，没有按分钟计费的开销。

除了单次拖入文件，日常处理大批量素材还可以用上这些方式：

• 批量排队与自动监控：支持将多个文件加入队列依次处理，或设置监控文件夹（watched folder）自动转录新放入的音视频，也提供本地 API 供脚本调用。
• 直接处理在线视频：粘贴视频链接后，既可以生成压制好硬字幕的视频（<title>-subbed.mp4），也可以导出 SRT 字幕文件放到 Subtitle Edit 等软件里进一步校对。
• 实时字幕：支持将麦克风输入转为实时字幕，在 Windows 上还能直接为电脑正在播放的声音生成实时字幕。

2. 区分发言人，导出字幕

整理多人访谈或会议录音时，可以在 More options 下勾选 Identify speakers 来区分发言人，已知人数时可在 2 到 10 人之间指定，也可以保持 Auto 自动判断。这项功能通过内置的 sherpa-onnx 在本地离线运行，不需要注册 Hugging Face 账号、配置 Token 或额外安装 PyTorch。识别出的标签默认显示为 Speaker 01 这类编号；在内置的文稿查看器（transcript viewer）中右键点击标签并修改为真实姓名后，全文对应的发言人名称会同步替换。文稿会在执行说话人分离前先行保存，且分离步骤在独立进程中运行，即使处理长录音时该步骤出现问题，也不会丢失已经生成的文稿。需要注意，开启说话人分离会增加处理时间，且不支持在实时字幕（Live）模式下使用。

新安装默认同时输出 SRT、JSON 和 TXT 三种格式，你也可以在 Advanced settings → Output formats 中按后续用途勾选所需格式，或通过 File → Convert transcript… 将已有的 JSON、SRT、VTT 等字幕转换成其他文本格式：

• 审阅与汇报文档：导出为 Word（.docx）或 PDF，每段带有时间戳与加粗的说话人名称；也可以导出 Markdown 或可分享的网页（.html）。
• 视频字幕与卡拉 OK 时间轴：除了带说话人前缀的 .srt，还支持导出 .vtt 和 .ass 字幕；开启单词级时间戳（word timestamps）后，可包含逐词卡拉 OK 时间标签。
• 听打校对与学术标注：支持导出带逐词时间与置信度概率的 .json，以及可直接用于 oTranscribe（.otr）、ELAN（.eaf）、InqScribe（.inqscr）、Express Scribe 和 TSV 的专用格式，方便边听边改或做定性分析。

3. 用本地模型处理录音

默认设置下，你的音视频与转录文稿都留在本地电脑上，只有主动选择云端引擎（如 Gemini API 或 Google Cloud Speech-to-Text）或自行连接远程 AI 服务时，音频或文本才会发往外部。不过“本地模型跑在电脑上”不代表软件默认完全断网：首次使用模型或可选组件时软件会联网下载；启动时会读取在线设置、每天最多检查一次 GitHub 更新；每次转录结束（完成、失败或取消）后，默认会发送不包含文件名、路径、音频或文稿内容的匿名使用统计（可在 Help → Usage statistics 中关闭）。如果处理敏感采访或内部会议资料，点击菜单中的 File → Work offline 即可彻底阻断所有网络连接——此时不会检查更新、不发送统计、不下载模型也不连接远程 AI，窗口底部还会每 10 秒显示一次当前是否有外部连接，并可通过 Verify offline now 验证断网状态。

软件免费开源，安装前留意两点：

• 平台与安装包：提供 Windows 安装版、便携版和 macOS 安装包；Linux 需要从源码运行。
• 首次启动提醒：由于 Windows 安装包未做代码签名、macOS 应用未经过公证（notarized），首次打开时 Windows SmartScreen 和 macOS Gatekeeper 会弹出安全提醒，可先核对官方发布页来源并参考项目文档 docs/INSTALL.md 的指引操作。