離線語音轉文字：最佳本地 AI 轉錄軟體

Whisper Notes 在裝置上完成語音辨識，Mac 與 iPhone 皆然。

先講答案：各平台最佳離線語音轉文字

如果你只想要答案：Mac 和 iPhone 用 Whisper Notes——三個本機 AI 引擎，一次買斷：iPhone 版 $7.99（同一筆 App Store 購買也包含 Mac App Store 版）；Mac 版每週免費 5,000 字，之後 $14。Windows 用 Buzz 或 faster-whisper（免費開源）。Android 的選項還很少——見下方的平台段落。這張表裡的每個工具都是 100% 離線執行：

這篇指南接下來會解釋為什麼本機轉錄在延遲、成本和隱私上勝出——附真實的基準數據——並一步一步示範如何離線把音訊轉成文字。

延遲問題

雲端轉錄的流程：你說話，音訊上傳到伺服器，API 處理，結果返回。

本機轉錄：這些延遲全部消失。音訊不離開你的裝置，處理在晶片上完成，結果即刻呈現。沒有上傳，沒有等待，沒有「處理中」的轉圈。

近幾年的 iPhone 和 Apple Silicon Mac 都內建了專為裝置端機器學習設計的 Neural Engine。本機轉錄用的是你已經擁有的硬體，而不是等待上傳和遠端回應。

2019 年，雲端轉錄是有道理的。你的手機跑不動十億參數的神經網路。這個限制已經不存在了。在 M4 Pro 上，35 分鐘的音訊用 Parakeet V3 大約 18 秒轉完，用 Whisper Turbo 大約三分鐘，兩種情況都不上傳任何東西。

雲端轉錄在即時協作和集中化工作流程上仍然合理。但對一段只有你需要的私人錄音來說，上傳往往是多餘的。

你已經為晶片付過錢了

M 系列 Mac 和近幾代 iPhone 裡的 Neural Engine，一天中大部分時間都閒著，而它跑得動這些模型。

買機器的時候，這塊晶片的錢你已經付過了。再付月費讓別人的伺服器來轉錄，等於為同一份算力付第二次錢。

在本機推論還做不到的年代，這筆交換是合理的。現在就很難這麼說了。

以每月 $10 計算，三年訂閱要 $360。Whisper Notes 在 iPhone 上一次買斷 $7.99，Mac 版一次買斷 $14。訂閱真正買到的是即時字幕和多人協同編輯；這兩樣都用不上的話，你是在為自己已有的算力付費。

我們不收訂閱費，因為我們不運行伺服器。你的音訊從不接觸我們的基礎設施。沒有什麼需要按月計費。

資料外洩是架構問題

當你用雲端轉錄服務時，你的音訊存在別人的伺服器上。任何存著音訊的伺服器都可能外洩，可能是遭到攻擊、設定出錯，也可能是有權限的員工，而這類事確實在發生。

語音資料有獨特的風險。不像密碼，你不能重設你的聲音。你的聲紋是永久的生物特徵識別。一旦外洩，就永遠被外洩了。攻擊者可以用聲紋繞過認證、身份詐騙或生成深度偽造。

消除這個風險的唯一方法是消除上傳。從不離開你裝置的音訊不可能成為伺服器端外洩的一部分，整個論證就是這一句。

想想誰在錄製敏感音訊：

• 律師錄製客戶諮詢
• 心理諮商師記錄個案談話
• 記者保護消息來源
• 高階主管捕捉策略討論
• 醫師記錄病歷

對這些專業人士來說，音訊存在哪裡，是一個必須答得出來的問題。本機轉錄不是偏好。是要求。

準確率：誠實的權衡

本機 Whisper 更擅長的：逐字轉錄。如果你需要精確記錄說了什麼——每個字、每個停頓、每個「嗯」——本機 Whisper 模型很出色。在清晰的英語音訊上，詞錯誤率大約是 5-8%（Open ASR Leaderboard）；有雜音或口音時會更高。轉錄忠實於所說的話。

語言模型能補上的：總結和摘取。像 Gemma 這樣的本機模型（Whisper Notes 在從官網下載的 Mac 版中執行它）可以把逐字稿整理成摘要和待辦清單。面對又長又亂的逐字稿，更大的雲端模型推理能力仍然更強；兩小時的會開完想問「告訴我做了什麼決定」，雲端模型是更強的工具。

權衡是真實的。如果你的工作流是「轉錄 → 用 Claude/GPT 總結」，你可以兩全其美：準確的本機轉錄，智能的雲端總結。你的原始音訊保持私密。只有你選擇分享的文字離開你的裝置。

本機 AI 並不解決工作流程的每一環。語音模型擅長轉錄；語言模型更擅長對結果做摘要和推理。把音訊留在本機，再依文字的敏感程度選擇本機或雲端的語言模型。

真實速度數據

模型的選擇對結果的影響，比「本機」兩個字暗示的更大。Whisper Notes 在 Mac 和 iPhone 上三個都能跑，用哪個在設定裡選。Parakeet 是英語和歐洲語言的快速預設，SenseVoice 針對中文、日文、韓文和粵語最佳化，Whisper Large-v3 Turbo（Mac）/ Whisper Small（iPhone） 則提供最廣的 100+ 語言覆蓋。

測試方法：Whisper Notes 在 32 GB 記憶體的 Apple M4 Pro 上執行，計時從開始轉錄到最終文字產出。Parakeet 用 35 分鐘的錄音；SenseVoice 和 Whisper 用同一集 27 分鐘的中文 Podcast。這些是產品實測，不是跨廠商的雲端基準比較。

目前的 App Store 頁面也標示：iPhone 15 上 5 分鐘音訊用 Parakeet 約 18 秒，用 Whisper 約 1 分鐘。較舊的裝置會慢一些。而且無論哪種情況，開飛航模式照樣能跑——因為根本沒有上傳這一步。

如何離線把音訊轉成文字（一步一步來）

在 Mac 上：

1. 下載 Whisper Notes Mac 版（免費試用，不用註冊帳號）。
2. 在設定裡選模型：英文求快選 Parakeet V3，中文、日文、韓文或粵語選 SenseVoice，100+ 種語言選 Whisper Large V3 Turbo。模型下載一次後，永遠可離線使用。
3. 直接錄音，或拖入任何音訊或影片檔（MP3、WAV、M4A、MP4）。
4. 線上會議可開啟會議偵測。Zoom、Teams 和 Google Meet 會被自動偵測；系統音訊和麥克風一起收錄，轉錄留在你的 Mac 上。
5. 文字會邊處理邊輸出。可匯出為 TXT、SRT 或 VTT，或直接複製到任何地方。匯入的影片會在字幕工作區開啟，匯出前可以預覽和修改字幕。

在 iPhone 上：從 App Store 安裝 Whisper Notes，直接錄音或從語音備忘錄、檔案 App 匯入，轉錄就在 A 系列晶片上執行。想證明沒有任何上傳？先開飛航模式再試。想自動化的話，「捷徑」App 裡的「Transcribe Audio」動作接收一個音訊檔，直接回傳文字。

我們是怎麼做的

Whisper Notes 是這些原則的實現。幾個值得說明的具體決策：

鎖定畫面小工具

最好的想法總在不方便的時候出現。我們做了鎖定畫面小工具，在鎖定畫面輕點一下即可打開 App 開始離線錄音——不用找 App，不用檢查網路。本機處理意味著即時可用。

硬體自適應模型

Mac 有散熱空間和充足電力。iPhone 在口袋裡。現在兩者運行同一套模型陣容——Parakeet V3（預設）、Whisper Large-v3 Turbo（8.09 億參數，Mac）/ Whisper Small（iPhone）和 SenseVoice——各自針對硬體調校。同樣的隱私保證，合適的資源使用。

你的資料，你的檔案

轉錄是你裝置上的檔案。在 Mac 上，每份逐字稿都會以 Markdown（.md）檔存在對應音訊旁邊，開頭帶 YAML 資訊（日期、來源、長度），資料夾由你選；把它設成 Obsidian 儲存庫，每段錄音就是一則筆記。沒有私有資料庫，沒有廠商鎖定。如果 Whisper Notes 明天消失，你的錄音仍然可以存取。批次匯出不是進階功能——它是你擁有的資料的自然狀態。

自訂詞彙

技術術語、不常見的名字、領域特定的詞——最需要準確轉錄的詞彙往往是你最不想上傳的。初始提示讓你在本機添加上下文。模型調整，而你的術語不會變成訓練資料。

在 iPhone 上，把人名與術語填進初始提示，就能引導模型，而且資料不會離開裝置。

什麼時候雲端更好

我們不假裝本機轉錄普遍更好。雲端有真正的優勢：

即時團隊協作。五個人在會議中同時編輯一份轉錄需要伺服器協調。本機工具天生只給單一使用者用。

大規模說話人辨識。裝置端說話人標注已經落地——Whisper Notes 現在可以在 iPhone 和 Mac 上完全在裝置端標注「誰說了什麼」。對於超大型群組和大量重疊發言，雲端規模的說話人分離仍有優勢，但對於一對一訪談和小型會議，裝置端的說話人標注已經準確到可以直接用（在我們的雙人測試中，按句計準確率 99.1%）。

工作流自動化。雲端服務連接 CRM，提取行動事項，發摘要到 Slack。本機工具產出文字檔案——你拿它們做什麼是手動的。

舊硬體。A14 之前的 iPhone、Intel Mac——有些裝置實際上無法運行本機推理。雲端仍是唯一選項。

如果你的主要需求是會議期間的團隊協作，雲端工具可能更好。如果你的主要需求是帶隱私地轉錄自己的錄音，本機工具是正確的架構。

趨勢

每一代晶片都帶來更多神經引擎效能。每次模型迭代都帶來更好的效率。本機和雲端的差距在縮小，而隱私和延遲優勢保持不變。

手機跑不動這些模型的時候，雲端轉錄是有道理的。大約從 2022 年起，手機已經跑得動了。

本機轉錄在 Apple 的硬體上早就能用了。還值得為訂閱付錢的理由只剩兩個：即時字幕和多人協同編輯——這兩樣都不在你的清單上，就沒有第三個理由了。

技術細節

Windows 和 Android 上的離線語音轉文字

Whisper Notes 是為 Apple Silicon 打造的，所以只支援 Mac 和 iPhone。其他平台目前的選項是：

Windows：Whisper Notes 只有 Mac 和 iPhone 版，所以最好的免費選項是 Buzz（Whisper 的簡易圖形介面）和 faster-whisper（命令列，同樣硬體上比官方實作快好幾倍）。模型下載完成後兩者都完全離線執行。但要有心理準備，安裝門檻比原生 App 高——Python 環境、模型檔案，想要速度還得裝 GPU 驅動。

Android：whisper.cpp 有 Android 移植版和幾個包裝 App，但品質和維護狀況參差不齊。Android 上目前還沒有打磨完善的主流離線轉錄 App——現況請見 Whisper Notes Android 版進度。

很多搜尋「Whisper Notes Windows」的人，其實是想在 PC 上得到同樣的離線買斷體驗。我們不會做 Windows 版。與其把這個問題留著不講，不如直接說清楚。完整原因見 Whisper Notes Windows 頁面。Apple 的 Neural Engine 正是目前本機轉錄能達到 100 倍即時速度的關鍵。

離線語音翻譯：本機 AI 能做什麼、不能做什麼

有個相關問題很常被問到：本機 AI 除了轉錄，能不能翻譯語音？部分可以。原版的 Whisper Large V3 模型受過兩種任務的訓練——轉錄，以及任意語言到英文的翻譯。在本機執行時，它可以把法文、日文或阿拉伯文的音訊輸出成英文文字，完全離線。兩個限制：它只能翻成英文（不能反向），而且這只適用於完整版 Large V3——更快的 Large-v3 Turbo 為了專注轉錄，捨棄了翻譯任務。

離線語音翻譯還在早期。目前沒有被廣泛採用的消費級 App，能在完全離線的前提下做到雲端那種即時語音對語音翻譯。今天實際可行的流程是兩步：先在本機轉錄，再用你信任的工具翻譯產出的文字。原始音訊從頭到尾都不必離開你的裝置。

常見問題

下載 iOS 版 Mac 免費試用