前两天整理一个会议录音，40 多分钟，我戴着耳机一边听一边敲字，敲到第 10 分钟就开始走神，第 20 分钟开始怀疑人生。后来我实在受不了了，经常需要把音视频转成文字，试过不少市面上的工具，要么操作繁琐步骤多，要么动辄就要收费，用着特别不方便。忍不了这种麻烦，就去查了查相关方案，发现 OpenAI 有款开源的语音识别模型特别合适！于是干脆自己用 Python 对接了这个模型，还顺手做了个 GUI 界面，不用敲代码就能直接用，新手也可以快速上手～
夸克自取：https://pan.quark.cn/s/ed642c6ed2a6

安全扫描结果

主要功能

音频 / 视频直接转文字：不管是会议录音、课程视频，还是随手录的语音，一次性转成文本。
多模型可选，机器性能说了算：从 tiny、small 到 medium、large-v3，机器一般就选 small，如果要更精确匹配，就要显卡好，选择medium、large-v3模型。
CPU 也能跑，不挑设备：像我这种没显卡的电脑，直接用 CPU，一样能用，就是慢一点而已。
本地处理，文件不外传：文件就在自己电脑上转，隐私这块我个人很放心。
日志+结果实时显示：下面有个“日志与结果”窗口，转到哪一步一眼就能看到，不是那种点完就黑屏等结果的。

使用步骤

1️⃣ 选择音频或视频文件：点“选择文件”，把要转的文件选进来。
2️⃣ 选模型 + 设备：电脑一般就选 small + CPU，想更准、机器够好再往上加。
3️⃣ 点击「开始转录」：然后你就可以去干别的了，转完可以选择纯文字直接保存，也可以选择SRT字幕、VTT字幕、Markdown保存。

真实体验 & 小亮点

界面里直接告诉你：medium 模型需要至少 4GB 显存、large-v3 模型需要至少 10GB 显存这点还是比较贴心，避免新手一上来就选个大的，然后电脑直接卡死。另外一个细节是保存可以选择多种格式，可以选择纯文本、SRT字幕、VTT字幕、Markdown保存。现在我已经固定用它来做会议录音整理、视频内容转稿、长语音备忘录转文字。