沙牛提示

阅读本文需要4分钟，安利一款体验极佳的本地语音转文本神器！

如果你喜欢本文，就分享给你的小伙伴！

01 语音转文本

在之前的文章中，我曾分享过自己的一套本地化语音/视频转文本的方案。

这套方案，是基于Windows平台的开源方案，我主要基于它，来将自己的实训营课程视频，转换为文本，投喂给AI，外加一些视频和音频转文本的需求，毕竟我读文字内容速度很快。

不过，最近买了一台Macbook Air，所以，便琢磨着在macOS上，也来实现这一套方案。

了解测试一番之后，发现了这样一款工具，无论是功能、速度还是体验，都绝对完爆之前在Windows上的方案！

02 MacWhisper

在Windows上，需要自己部署一整套方案，包括环境、大模型和GUI等等，这导致初次部署时，比较麻烦。

而在macOS上，这样的一套方案，全被集成在了一个app中：MacWhisper。

官网：https://goodsnooze.gumroad.com/l/macwhisper

语言：英文

系统：看名字就知道，它目前仅支持macOS

费用：

• 可免费使用，但功能有限，限制音频时长，及可下载的开源模型。
• Pro版本：单用户64欧元，约540人民币，解锁全功能。

我自己试用之后，直接入手了Pro版本，主要原因有二：

• 我使用它的频率非常高。
• 我的课程视频都会加字幕，之前是每年购买剪映会员来完成，一年半的会员费用，就足以购买MacWhisper Pro版本了。

03 功能

跟之前Windows的开源方案相比，MacWhisper提供的功能，可简直太丰富了，看一下它的主界面：

在这里，你能够看到它的核心功能，包括：

• 语音备忘录，录制即时语音，并转换成文本。这功能我不怎么使用。
• 将音频或视频转换为文本，可批量处理。
• 录制其他app的音频，并转换为文本。我用得很少，但在某些场景下，会非常实用，比如录制会议app的音频，并转换为文本，还能自动识别会议参与者。
• 将播客音频转换为文本。
• 通过链接，将对应的视频转换为文本，我试了Youtube和B站，前者未成功，后者直接不能用……不过倒是可以通过一些技术手段将视频下载下来再转换。

除了以上功能，MacWhisper还提供了很多其他非常实用的功能和特性，如：

• 音频转文本时，顺便翻译。
• 配置在线大语言模型API，对转换的文本生成摘要。

• 将转换的文本作为知识库，进行问答。
• 对经常识别错误的文本，进行自动替换。比如我的课程中，经常将“课时”识别为“科室”，那么，我就可以新建一条规则，在转换文本时，自动将其替换为正确的内容。
• 监控指定文件夹，当该文件夹有新文件时，自动进行转换。
• 添加说话人员。
• ……

另外，MacWhisper还支持接入其他工具和服务，如n8n，后面有时间准备来折腾一下这个需求：

将B站收藏的视频自动下载到指定文件夹（已通过Docker实现），再使用MacWhisper监控此文件夹，并自动转换为文本，再调用Gemini将文本转换为带格式的Markdown文件。

04 流程

如果你也有使用MacWhisper的需求，那么，可以按照以下流程进行。

首先，你需要下载安装它，目前MacWhisper并未上架AppStore，所以你只能在官网下载。

安装之后，你需要配置用于将视频转换为文本的大语言模型，MacWhisper支持使用在线和本地模型，我主要使用的，是后者。

在MacWhisper中，你可以直接下载支持的模型：

强烈推荐使用 Large-v3-turbo，这是OpenAI的开源语音模型，无论是识别准确率，还是速度，都非常赞！

另外，macOS自带的Apple语音识别也能用，但识别率远不如 Large-v3-turbo。

现在，主要的配置选项已经完成，接下来，就可以用它，来将音频、视频转换为文本了。

直接选择一个或多个文件，便会开始转换：

转换后的文本，并没有分段和加标点，所以如果要转成文章，还需要用豆包之类的工具再处理一下。

转换时的内存占用：

我的Air是16G内存，还算够用，会使用约1GB的交换文件。

CPU方面，则完全够用，整个转换过程非常快——甚至比我32GB内存+4060Ti、使用同款模型的Windows电脑快不少。

05 吐槽

总体来说，MacWhisper无论是在功能、准确率、速度和体验方面，都非常完美，但有一点不得不吐槽！你看一下转换的文本，下图红框的内容：

这句话在我的音频内容中，是完全没有的，而是在使用Large-v3-turbo模型在转换过程中生成的，约有20%的概率，会遇到这样的问题。

怀疑是Large-v3-turbo模型在训练时，所使用语料的问题，导致的大模型污染。