自用的音频转文字 Mac 应用

我自己之前也拿开源项目魔改了一个 https://i.imgur.com/5eSAwX7.png ，最终使用下来感觉体验还是不如豆包啥的，功耗还低，你这个用着咋样

真是优秀

好奇佬用的什么语音转文字和说话人识别模型

我目前用着还行，识别的准确率确实不算太高，但是我一般是先转，然后再把文本扔进 GPT ，让它再给我润色润色。 我主要是用来转电话录音和播客文本的，时间都比较长，30 分钟以上吧。

P.S. 我其实也是参考了开源项目。第一版是用原生的 Mac 语音识别引擎，其实效果也还行。后面翻了下 x ，发现有成熟开源，就拿来用了。

@kuhung 我最开始用的苹果内置的引擎，后面扫了一眼这个开源项目： https://github.com/argmaxinc/argmax-oss-swift ，把内置模型改成了 Whisper large-v3

@kuhung Claude 的解释，你可以参考看看：

⏺ argmax-oss-swift 在 VoxNote 里负责两件事：语音识别（ WhisperKit ）和说话人识别（ SpeakerKit ）。

一、WhisperKit — 语音转文字的核心引擎

VoxNote 自己只负责把音频文件读成 [Float] 浮点数组（ AudioProcessor.loadAudioAsFloatArray ），之后全部交给 WhisperKit：

[Float] 音频数据

  ↓

whisperKit.transcribe(audioArray:decodeOptions:callback:segmentCallback:)

  ↓

[TranscriptionResult] ← 含完整文本 + 每段时间戳

VoxNote 给 WhisperKit 的配置参数：

• chunkingStrategy: .vad — 自动按静音分段
• wordTimestamps: true — 保留每段的时间戳（供说话人对齐用）
• concurrentWorkerCount: 16 — 并行加速
• detectLanguage: language == nil — 不指定语言时自动检测

转录过程中 WhisperKit 会不断回调进度（ 0%→98%）和中间文本，VoxNote 把这些映射成 UI 上的 .transcribing(progress, partialText) 实时显示。

二、SpeakerKit — 说话人识别（可选功能）

用户开启说话人标注后，VoxNote 会同时跑两个任务：

同一份 [Float] 音频

  ├─ 并行 → speakerKit.diarize()  → DiarizationResult （谁在什么时间说话）
  └─ 顺序 → whisperKit.transcribe() → [TranscriptionResult]（说了什么）

合并 → diarization.addSpeakerInfo(to: results, strategy: .subsegment)

  ↓

” [Speaker 1] 你好，请问……

[Speaker 2] 好的，我来解释一下……"

SpeakerKit 底层用的是 Pyannote v4 的 CoreML 模型，在本机完成推理，不联网。

whisper 的模型感觉不太行，据说小红书的那个好点，还没研究。反正实测一段录音，whisper 转出来很乱，gemini 在线和飞书在线都能转个 95%左右。

@x1x2 whisper 系列我自己测下来确实性能一般，中文的误识别率挺高。另外 large 的开销比 medium 高吧，好奇是这里是有做过取舍吗