我做了一个 Mac 本地中文转写工具：录音拖进去，带说话人的文字出来，全程不联网

起因很简单：自己开会录了音，想转成文字。市面上的工具要么把录音传到别人服务器上，要么按分钟收费。录音里都是自己和同事说话，传上去总觉得不放心，就自己做了个本地跑的。

方案是复旦开源的 MOSS-Transcribe-Diarize，加上 Apple MPS 加速，在 Mac 本地跑。录音拖进去，转写完直接出带说话人的 Word、txt、srt、json，全程不联网。

几个实现上值得说的地方：

1. 说话人分离

MOSS 自带说话人分离，转写的同时把"谁说的"标出来。实际用下来有个问题：同一个人跨段说话会被切成好几段，标得偏碎。我的做法是在界面里支持手动合并，再给说话人标真名，合并完再导出。

2. 热词和校对学习

开会总有些固定术语、人名。热词可以提前给一批，转写时优先匹配；校对时改过的地方，工具会学习记下来。

3. 可选的 API 纠错

本地转写完了，还可以接 DeepSeek 这类 OpenAI 兼容 API 做一轮纠错。默认不走这一步，全程离线；想再准一点就自己配个 key 开纠错。

实测数据

拿一段 116 分钟的真实会议录音测过，以讯飞付费版人工校对稿为基准，字错率大概 10.5%，关键术语命中率 100%。这个成绩是在真实会议录音上跑的，不是干净录音棚。

安装门槛（先说清楚）

• 要 Apple Silicon + 16GB 以上内存，macOS 12+，Intel 的 Mac 跑不了。
• 首次安装大概 10 分钟，要下 1.7GB 模型。模型下载失败会自动切国内镜像（hf-mirror），pip 失败自动切清华源。
• FFmpeg 不用单独装，没装会自动装内置静态版。
• Releases 里有免 git 的 zip 包，解压双击 install.command，再双击 start.command 就能用。

还没做的事（也说清楚）

• 没有现场录音，只能转已有的录音文件。
• 没有摘要、没有待办提取，转完的文字得自己看。
• 没有 Windows 版。

开源地址：https://github.com/yunfeng008/shengwen-transcribe ，MIT 协议。觉得有用可以 star，有问题提 issue 也行。