VicroCode
让代码创造价值
VicroCode是一个轻量级代码在线发布、交易平台,开箱即用,免部署、免服务器、免备案,支持接入智能体、通用管理系统、游戏等多种项目
稍候片刻,您可先学习AI编程手册
正在加载中...

市场信息

[分享创造] 做了个本地音频转写工具:不花一分钱, 76 个模型随取随用, 16 分钟视频 49 秒转完

最近把折腾了一阵子的两个东西都开源了,一条线上的:一个本地跑的语音转写命令行工具,一个长在它上面的 agent 技能(把音视频直接变成一篇能进笔记库的文章)。 为什么不用现成的 云 ASR 按分钟计费 。一场 2 小时的会议、一周十几个播客,成本很快就不对劲,而且音频要上传到别人服务器。 whisper.cpp 手搓太烦 。

www.v2ex.com · 2026-11-01T09:26:41+00:00

最近把折腾了一阵子的两个东西都开源了,一条线上的:一个本地跑的语音转写命令行工具,一个长在它上面的 agent 技能(把音视频直接变成一篇能进笔记库的文章)。为什么不用现成的 云 ASR 按分钟计费 。

一场 2 小时的会议、一周十几个播客,成本很快就不对劲,而且音频要上传到别人服务器。 whisper.cpp 手搓太烦 。

编译参数、模型格式、VAD 分块、长音频拼接、中文断句……每换一台机器重来一遍。 YouTube/B 站 有现成字幕,但只有一部分视频有 ,而且字幕没标点、断句乱,二次加工成本高。

所以做了两件事: 一个把模型管理干净的 CLI ,和 一个把转写结果整理成笔记的技能 。一、handy-transcribe:Rust 写 CLI ,模型随取随用 它复用了开源桌面应用 Handy 的批处理流水线( 解码 → VAD 分块 → transcribe.cpp 推理 → 拼接 → 后处理 ),去掉录音/UI/剪贴板,只留一个无头 CLI 。

完全本地 :macOS 走 Metal ,其他平台 CPU 。不上传,不需要账号,不按分钟付费。

模型目录内置 76 个、21 个家族 :Whisper 、Parakeet 、Canary 、SenseVoice 、Qwen3-ASR 、Voxtral 、Moonshine 、GigaAM… --list-models 一次看全, ✓ 标记已缓存。输入随便 :本地 mp3/wav/flac/ogg/m4a/aiff ,或 MP4 家族视频容器的音轨;也接受直接的 http(s) 媒体 URL 。

输出干净 :正文走 stdout (可以直接管道),进度和耗时走 stderr 。 --json 给出 backend 、设备、RTF 、识别语言。

cargo install handy-transcribe # 或 cargo binstall handy-transcribe handy-transcribe ./meeting.m4a handy-transcribe ./talk.wav -m Qwen3-ASR-1.7B -l zh handy-transcribe ./podcast.mp3 --json YouTube 之类的网页先用 yt-dlp 抽音轨再喂进来——这是故意的,提取器交给专业项目维护,CLI 只管转写。实测 :16 分钟( 972 秒)中文技术演讲,49 秒转完。

机器是 M1 Pro ,模型 Qwen3-ASR-0.6B Q8_0 ,约 20 倍实时 。文本准确到只需要改几个同音字。

二、pi-media-transcribe:转写完,自动变成一篇笔记 光有文本其实没什么用,还得有人分段、写摘要、挑目录、打标签。所以给 Pi (一个开源 coding agent ,可以装技能包)写了个技能,三种模式: 只转写 :出文本(带缓存,重复跑是秒回)。

--raw 逐字落笔记 :不需要任何 API key ,全程离线,零成本。默认模式 :LLM 校对错字 → 按主题分 ### 小节 → 写 150~300 字摘要 → 在你的笔记库里挑目录 → 打 1~3 个主题标签 → 写成带 frontmatter 的 Markdown 。

pi install npm:pi-media-transcribe # 然后直接对 agent 说:把这个视频转录一下存到我的笔记里: 产物大概长这样: --- created_at: 2026/10/31 22:14 tags: - youtube - 自动转录 - RAG - 知识图谱 --- 来源: /ai-market-guide/ v=... ## 核心内容 ## 正文 ### 传统向量检索的底层天花板 那次 16 分钟的视频,出来是一篇 18.8 KB 的笔记:一段摘要 + 17 个小节。

落点在 资料/02-人工智能/AI 智能体/ —— 目录是它自己在现有目录树里挑的。几个自己比较在意的细节: 标题语言跟着内容走 (中/英/日/韩/俄/德/西/法/葡九种),不是硬编码中文。

长音频不会爆上下文 :超过阈值自动分块压缩再合并,三小时的播客也能过。 LLM 失败不丢工作 :直接落一份原始转写的笔记,重跑只重试润色那一步。

同名笔记不覆盖 (自动加序号),路径校验在笔记库之内。踩过的坑,顺便记一下 首次运行会 静默下载 850 MB 的默认模型。

后来在 SKILL 里加了硬规则:先告诉用户用哪个模型、多大、要不要换。国内拉 HuggingFace 模型经常卡死,支持 HF_ENDPOINT (中文文档里给了镜像示例)。

LLM 只看得到我给的目录列表,否则它会把笔记往任意路径写;路径还得再校验一次。缓存键一开始用了 stat -f ,在 Linux 上语义完全不同( GNU 的 -f 是查文件系统),换成了「版本号 + 文件大小」。

已知限制(先说清楚) Windows 没测过 。 CLI 依赖 CMake + C++ 工具链,macOS/Linux 的 CI 都绿了,Windows 欢迎有人帮忙试。

拉丁语系语言的标题回退英文 (德/法/西/葡)。正文语言是对的,只是小节标题是英文;可以用 --language /配置指定。

润色模式花 token 。只要文本不要笔记的话用 --raw ,一分钱不花。

模型是第三方的, 许可证各不相同 ( Apache-2.0 / MIT / CC-BY-4.0 / 非商用),商用前看一眼。想听听用的人怎么说 你主要拿它处理什么?

会议、课程、播客、还是二次剪辑素材?还需要哪些模型或语言的优先支持?

有 Windows 用户愿意帮忙跑一次 CI 之外的真实测试吗?两个仓库都是 MIT: CLI: https://github.com/cyub/handy-transcribe ( cargo install handy-transcribe ) 技能: https://github.com/cyub/pi-media-transcribe ( pi install npm:pi-media-transcribe )

返回 AI 市场导读

来源:v2ex.com