语音转文字 · MLX Whisper

本地语音转文字工具，基于 MLX Whisper，专为 Apple Silicon (M1/M2/M3/M4) 优化，中文优先，完全离线，无需 API。

功能

• 转录音频/视频文件（mp3, m4a, wav, mp4, mov, ogg, flac, aac, mkv）
• 麦克风实时录音转录
• 图形界面 + 命令行双模式
• 中文默认，支持多语言（英/日/粤语等）
• 带时间戳分段输出，支持 SRT/VTT 字幕导出
• 长音频反幻觉优化（过滤重复/低质量段落）
• 领域提示词提升专业术语准确率

环境要求

• macOS + Apple Silicon (M1 及以上)
• Python 3.10+
• ffmpeg

安装

# 安装 Python 3.12（如未安装）
brew install python@3.12

# 安装 ffmpeg（必须）
brew install ffmpeg

# 创建虚拟环境并安装依赖
python3.12 -m venv .venv
.venv/bin/pip install -r requirements.txt

使用

图形界面

.venv/bin/python3 gui.py

首次运行会自动下载模型（约 1.5GB），之后本地缓存无需重复下载。

命令行

# 转录文件（带时间戳）
.venv/bin/python3 transcribe.py audio.mp3 -t

# 提供领域词汇提升准确率
.venv/bin/python3 transcribe.py meeting.m4a -t -p "星巴克,SAP,数字化转型"

# 导出为 SRT 字幕
.venv/bin/python3 transcribe.py audio.mp3 -o output.srt

# 导出为 VTT 字幕
.venv/bin/python3 transcribe.py audio.mp3 -o output.vtt

# 保存为文本
.venv/bin/python3 transcribe.py audio.mp3 -t -o result.txt

# 麦克风录音（30秒）
.venv/bin/python3 transcribe.py --record

# 麦克风录音（60秒）
.venv/bin/python3 transcribe.py --record --duration 60

命令行参数

参数	说明
file	音频/视频文件路径
--record, -r	从麦克风录音
--duration, -d	录音时长（秒，默认30）
--model, -m	模型选择
--lang, -l	语言代码（默认 zh）
--output, -o	保存结果（.txt/.srt/.vtt）
--timestamps, -t	显示时间戳
--initial-prompt, -p	领域提示词

打包为 macOS 应用

bash build_app.sh

生成的应用在 dist/语音转文字.app，可直接双击启动或拖入 Applications 文件夹：

cp -r "dist/语音转文字.app" /Applications/

模型说明

模型	大小	中文效果	速度
whisper-large-v3-turbo（默认）	1.5GB	最佳	快
whisper-large-v3	3GB	最佳	慢
whisper-medium	1.5GB	良好	较快
whisper-small	500MB	一般	最快

技术细节

• 使用 condition_on_previous_text=False 防止长音频错误级联
• 启用 word_timestamps + hallucination_silence_threshold 检测并跳过幻觉段落
• 后处理过滤 compression_ratio > 2.4 的重复输出
• 过滤 avg_logprob < -1.0 的低置信度段落