---
title: "VidBee 转文本：本地语音识别文稿"
description: "把视频和音频转成可搜索文稿。VidBee 在本地完成 100+ 语言识别、说话人标注、搜索和导出，内容留在你的电脑上。"
canonical: "https://vidbee.org/zh/docs/transcribe/"
---

# VidBee 转文本：本地语音识别文稿

文件下载完成后，VidBee 在**这台电脑**上把音轨转成文字。识别用本地 AI 模型，音频不会发到云端语音接口。访谈或其他敏感文件可以留在本机；模型装好之后也能离线转写。

文稿可搜索、带说话人标注，并和播放器对齐，点击一行就能跳到那一时刻。

## 核心功能

- **说话人识别** — 分开人声、看发言时长、跳到某个人
- **准确转写** — 选本地模型，在播放器旁边看带时间戳的文本
- **100+ 语言** — Whisper 自动检测语种；其他家族更擅长中日韩或英语
- **搜索** — 找词或短语、高亮命中、复制一段、跳到对应时间
- **导出** — 正文、Markdown、字幕，或带字幕的视频
- **隐私** — 语音留在本机；模型下载后可不联网转写
- **排队** — 一次丢进多个文件，后台按队列处理

在侧边栏打开 **Transcripts**，或从已完成的下载条目进入。也可以用 **Add audio or video** 导入本地音视频，或把媒体文件拖到 / 粘贴到文稿页。

![文稿列表中的已完成、字幕与处理中项目](/docs/transcribe/transcribe-library.png)

文稿页标了 **Experimental**，以后可能会并进 Downloads。每行状态：

- **Queued / Processing / Retrying soon** — 本地 ASR 在等待或运行
- **Transcript ready** — 本地识别完成（闪光图标）
- **Video captions** — 下载时带来的字幕轨（字幕图标）
- **No speech** — 扫描后没有人声
- **Cancelled** 或错误行 — 从该行或文稿页 **Retry**

## 怎么开始

1. 下载视频或音频，从磁盘导入，或把文件拖到 Transcripts。
2. 等媒体保存完成。
3. 在 **Transcripts** 点击条目，或在下载行用 **Transcribe** / **View transcript**。
4. 可选：在 **Settings → Transcription** 打开 **Transcribe after download**。之后成功的下载会在后台排队转写；没有人声的文件会跳过。关掉该选项不会取消已经入队的任务。

可以一次排队很多音频或视频——一文件夹访谈、积压的播客、或批量导入。识别有并发上限（默认 1），避免模型占满内存。这台电脑内存够用时，可提高 **Maximum number of active transcripts**。较长的文件会一直显示 **Processing** 直到完成。运行中可以 **Stop**，失败了可以 **Retry**。

第一次使用会把所选 ASR 模型下载到磁盘，横幅显示进度。之后转写不必联网。**Settings → Transcription** 可以重新下载模型、切换当前模型，或删除不用的模型。

## 阅读文稿

文稿页左侧是媒体，右侧是文本。拖动分隔条可改宽度或收起文本面板。

![带说话人标注和时间轴的文稿页](/docs/transcribe/transcribe-detail.png)

**播放器**

- 播放、暂停、进度、音量、静音、倍速、±15 秒、全屏
- 可选在画面上显示字幕
- 页内播放失败时仍可读文稿；需要其他播放器时从 Downloads 打开文件
- 离开页面后仍有 **now playing** 条，并记住进度

**搜索和字幕列表**

- 每行有时间戳。点击一行（或一个词）即可跳转
- 搜索会在整篇文稿里找词或短语（含说话人名字）。命中会高亮，可用上一条 / 下一条跳转
- 拖选一段后可 **复制**，或把摘录 **分享为图片**
- 跟随模式会把当前行滚进视野；手动滚动会暂停，再用 **Return to the position playing now** 回去

**说话人识别**

VidBee 会把重叠的人声分开并标注。播放器下方有彩色头像和发言时长条，点击即可跳到该说话人。

- **Adjust speakers** 可固定人数（Auto、1、2…），只重新标注、不再跑识别
- **Info** 显示频道、时长、文件、模型、语言、说话人数和片段数

![调整说话人对话框，固定为 2 人](/docs/transcribe/transcribe-speakers.png)

**来源**

VidBee 可以显示：

- **视频字幕**：下载时保存的各语言或自动字幕轨
- **AI transcript**：本地语音识别结果

两者都在时，用标题栏的来源切换。闪光图标是本地 ASR，字幕图标是字幕轨。

**准确度和模型**

按这台电脑选本地模型：Tiny 更快，Small / Base 适合一般机器，需要更高准确率再用更大的。播放与文本对齐，点击一行就能听到那一段。

**Not happy with this transcript?** 会打开模型选择，必要时下载更大模型并重新识别。当前文稿作为历史保留。任务在后台跑，可以离开页面。

结果是 **No speech** 时，如果觉得是误判（声音很轻、人声混在音乐里），用 **Transcribe anyway**。

## 语言

Whisper 家族覆盖 **100+ 语言**，并自动检测语种，不必先指定语言。

其他家族更偏专项：

- **SenseVoice** — 中日韩 + 英语，含粤语
- **Parakeet** — 偏英语
- **Qwen3-ASR** — 支持中文等语言，效果取决于输入和模型

**Settings → Transcription** 会列出体积、语言说明，以及按这台电脑（系统、GPU、内存、核心数、界面语言）给出的推荐。

## 导出

**Export** 先预览当前文本，再复制或存成文件。

样式：

- **Transcript** — 可读正文
- **Subtitles** — 带 SRT 风格时间的字幕
- **Segments** — 按时间片分段
- **Whisper** — 带说话人的转写
- **Video + Subs** — 把字幕封装或烧进新视频

文本格式为 `.txt` 和 `.md`。可设分组（**None**、**Words**、**Sentences**）以及是否 **Show timestamp**。

![导出预览：Transcript 样式、.txt 和带时间戳](/docs/transcribe/transcribe-export.png)

**Video + Subs**：

- **Soft** — 封装字幕轨，播放器可开关字幕，速度快、不损画质
- **Hard** — 烧进画面，会重编码，字幕无法关掉

纯音频只能导出文本。较长的视频导出可以取消。

## 转写设置

**Settings → Transcription**

- **Transcribe after download**
- **Maximum number of active transcripts**
- 模型目录（体积、语言特点），以及按这台电脑（系统、GPU、内存、核心数、界面语言）给出的推荐

可单独下载、启用或删除某个模型。语言覆盖见上文「语言」。

![转写设置：下载后自动转写和已安装的 ASR 模型](/docs/transcribe/transcribe-settings.png)

**Settings → Advanced → Download source** 可在 GitHub 与中国（ModelScope）镜像之间切换，模型下载慢或被拦时用。

## 隐私

转写适合不该离开这台电脑的文件。

- **本地识别** — 用本机模型，不会把音频上传去做语音识别
- **离线** — 模型装到磁盘后，可以不联网转写
- **本地文件** — 媒体和文稿留在你指定的文件夹
- **AI 是另一步** — [AI Prompt](/zh/docs/ai-prompts/) 只把**文稿文本**发给你启用的服务商。Ollama、LM Studio 可以把这一步也留在本机。API 密钥只存在应用里

文稿完成后，可以用这些 Prompt 做摘要、FAQ 或同一段文字的其他整理。

浏览器扩展与桌面桥接需要版本兼容。正式 v2.1.0 早于新的 Transcript/Overview 桥接；不能默认认为该正式版支持这些桥接功能。首次模型下载需要网络，可选云端 AI 会将文稿文字发送到所选服务商。

Source: https://vidbee.org/zh/docs/transcribe/index.md
