本地语音转文字值不值得：三条路线的成本、硬件门槛与验收方法
几乎所有讲「本地语音转文字」的文章，第一段都是「装 ffmpeg，再 pip install」。但真正让人睡不着的问题在前面：我该不该自己搭？一台没有独显的轻薄本，素材只有三四小时的访谈录音，装环境的两个晚上和几十 GB 的模型下载，到底换来了什么？
这篇不做工具排名，也不给「准确率 95%」这种没法验证的数字。只回答三件事：本地路线省了什么、贵在哪里；什么素材值得走本地，什么素材其实用在线更划算；以及怎么用两分钟音频验完再决定。
先算账：本地省下了什么，贵在哪里
本地转写的卖点通常是「免费」和「隐私」，这两条都成立，但都不是全貌。把账摊开看，成本分显性和隐性两类：
| 项目 | 本地路线 | 在线路线 |
|---|---|---|
| 软件费用 | 多数开源模型与桌面软件免费 | 免费额度 + 超出后订阅或按分钟计费 |
| 单位时间成本 | 电费与机器损耗，几乎可忽略 | 按音频时长计费，长素材累积明显 |
| 上手成本 | 装环境、下模型、调参数；GUI 软件可绕过一部分 | 注册即可用，几分钟出稿 |
| 数据去向 | 音频不出本机（前提是真正离线） | 需上传第三方，取决于服务条款 |
| 等待方式 | 占用本机算力，转写时机器基本没法干重活 | 上传后可以去做别的事 |
| 出问题怎么办 | 查文档、看日志，没有客服 | 有客服与工单，但常见答复是「换个格式试试」 |
结论很直接：本地省的是「重复发生的钱」，贵的是「一次性的时间」。素材量少的时候这笔投入摊不开；量大且长期做，本地才开始划算。这也是第一个判断标准——不是「哪个更准」，而是「你会不会一直用」。
三条路线，按场景分工
「本地」不是一条路，至少分两种，加上在线一共三种。它们的适用场景差别很大：
| 路线 | 启动成本 | 适合 | 不适合 |
|---|---|---|---|
| 离线桌面软件（图形界面） | 低：下载安装包，选模型后直接拖文件 | 不想碰命令行、素材涉密、需要批量与字幕导出 | 需要深度定制输出格式、或想接自动化流程 |
| 本地模型（命令行 / 脚本） | 高：装运行环境、下模型、调参数 | 要批量跑、要固定参数、要把转写接进自己的脚本 | 只转一两次、机器老旧、没人愿意维护 |
| 在线服务 | 最低：打开网页或 App | 短素材、临时用、非敏感内容、手机端即时要结果 | 客户访谈、内部会议、未公开素材、超长录音（受额度限制） |
一个实用的判断顺序：先看内容能不能外传（不能就排除在线）→ 再看素材总量（几小时以内，离线桌面软件通常够）→ 最后才看要不要上命令行。很多人直接从第三条路开始折腾，其实他的需求用离线软件就能满足。
硬件与耗时：只要量级，不要跑分
网上的「跑分」大多来自特定机器与特定版本，参考价值有限。真正需要建立的是量级感：同一段音频，不同硬件与模型档位的耗时能差一个数量级，而不是差 10%。
- 没有独显的轻薄本：能用，但慢。模型档位越高越慢，长录音建议切片后跑，别一次性丢三小时进去；
- 带独立显卡的台式机：明显更快，前提是软件能正确调用显卡加速。调用不上就退回 CPU 速度，这一步经常被忽略；
- Apple 芯片的笔记本：不少本地软件对其有专门优化，速度介于两者之间，功耗与噪音更友好；
- 手机端：只适合短片段。模型小、发热明显，长录音不建议。
「慢」的具体感受：一小时音频，在无独显的机器上可能是一杯咖啡到一顿饭的时间，在带独显的机器上通常是几分钟到十几分钟——具体取决于模型档位、软件实现与音频长度，不同软件与版本差异很大，不要拿别人的数字当承诺。
模型档位怎么按素材选
档位不是越大越好。大模型更准，但更慢、更吃内存，而且对「录音本来就差」的素材提升有限——噪声与抢话造成的错误，换大模型也补不回来。
| 素材情况 | 档位建议 | 换来的与付出的 |
|---|---|---|
| 单人、安静、吐字清楚 | 中等档位即可 | 结果通常够用，速度快，校对量小 |
| 有口音、术语多、多人对话 | 较高档位 | 名词与断句改善明显，但耗时与内存占用上升 |
| 音源差（远场、外放、嘈杂） | 先修音源，别急着换档位 | 大模型救不回被噪声吃掉的信息，只会更慢 |
| 只需要大意、不要逐字 | 低档位 + 人工顺稿 | 速度最快；适合先看内容再决定是否精转 |
实操建议：先用低档位跑两分钟，确认流程通、结果能看，再换高档位跑正式的。直接上最高档位跑一小时，失败了连问题出在哪都不知道。
本地路线的四个隐性成本
- 模型下载：从几百 MB 到几个 GB 不等，网络不稳时这一步就能耗掉半小时。第一次跑之前预留空间和时间，别在赶稿的晚上第一次尝试；
- 档位选错要返工：用低档位跑完三小时素材，发现名词全错，只能重跑。先小段试跑是这个成本的唯一解药；
- 中文的后处理：标点、断句、数字格式常需要二次处理。有些软件自带标点恢复，有些需要你自己在导出后整理，时间要算进预算；
- 排错无人可问：报错信息往往只有一行，论坛答案还停留在旧版本。留出折腾时间，或者选有中文文档与活跃社区的方案。
隐私的边界：本地不等于离线
「本地处理」和「完全离线」是两件事，值得分开确认：
- 模型下载与更新需要联网。第一次使用、切换档位、软件升级，都会联网。真正敏感的场景，要在这些步骤完成后断网测试一次，确认核心功能仍可用；
- 某些「智能修正」功能会把文本发到云端。音频不出去，但转写后的文字可能被上传做润色。用之前看清楚哪个开关控制它；
- 临时文件与缓存。转写过程中会在本地生成临时音频或分片，处理完是否清理、清理是否彻底，取决于软件实现。涉密素材建议自己检查工作目录。
判断方法很土但有效：断网，转一段两分钟音频，看能不能正常出结果。能，就是真离线；不能，说明它依赖云端，只是把「上传」藏在了别处。
验收：用两分钟音频跑一遍，看四件事
不要看宣传的准确率，用自己的一段真实素材验。选两分钟、包含人名、数字、至少两个人说话，跑完只看四件事：
- 错词密度：通读一遍，数一数需要改的地方大概有多少。名词与数字错得多不多，比总体感觉更有意义；
- 标点与断句：是不是一整段没有标点，或者断句全压在词中间。这决定你后面要花多少时间顺稿；
- 时间戳：如果要做字幕，看时间码是否逐句给出、能否直接导出 SRT。只给整段文字的工具，做字幕等于从头打轴；
- 导出格式：TXT、DOCX、SRT 是否都能出，导出后编码是否正常（中文不乱码）。
四件事里有三件不合格，就换方案，别在同一个工具上反复调参数。反过来说，四项都过、只是速度慢一点，那通常值得留着——速度可以靠切片和夜间跑弥补，格式与时间戳不行。
五个常见误区
- 以为本地一定更准。准确率取决于模型档位与音源，本地只是「不上传」。录音条件差的时候，本地和在线会错得一样多；
- 为了转一次素材去装环境。一次性需求，在线更省时间。把安装的两小时换成校对，收益更高；
- 直接上最大模型。慢三倍，结果可能只比中档好一点点。先中档跑，够用就停；
- 把「本地」当成「离线」。不测一次断网，就不知道它偷偷依赖了什么；
- 忽略中文后处理。标点与断句不做，导出的稿子读起来比机器翻译还硬。
决定前的自查清单
- 素材能不能外传，是否必须离线；
- 一年大概要处理多少小时音频，值不值得摊开一次性投入；
- 机器有没有独显，内存够不够跑目标档位；
- 是否需要批量、是否需要 SRT 字幕；
- 选了离线软件还是命令行路线，理由是什么；
- 已用两分钟真实素材验过错词、标点、时间戳、导出四项；
- 断网测过一次，确认核心功能可用；
- 知道出问题去哪里查（文档、社区、日志位置）。
常见问题
没有独立显卡能跑本地转写吗？
能，只是慢。建议降低档位、把长录音切片，并且在不用电脑的时候跑。不要拿「没独显」当放弃的理由，也不要指望它和带显卡的机器一样快。
本地转写需要多大硬盘空间？
主要看模型与临时文件。模型从几百 MB 到几个 GB，转写还会生成临时分片。留出十几 GB 余量比较稳妥，具体取决于软件与素材长度。
本地的中文效果和在线差多少？
没有统一答案。同一档位的模型，本地与在线往往用的是同一类技术，差别更多来自音源、档位与后处理（标点、断句、热词）。用你自己的两分钟素材各跑一次，比任何对比表都准。
本地能直接出 SRT 字幕吗？
多数带界面的本地软件可以，命令行方案也通常支持导出字幕格式。判断标准是时间码是否逐句给出——只输出整段文字的工具，做字幕仍要重新打轴。
涉密录音用本地就一定安全吗？
不一定。要确认三件事：断网后能否正常转写、有没有功能会把文本或统计信息上传、临时文件是否清理。三项都确认过，才谈得上「留在本地」。素材获取与导出流程见 语音转文字导出与校对。
小结
本地语音转文字不是「更高级的方案」，而是一笔投入换长期可控：素材涉密、量大、长期要做，本地划算；素材少、只转一次、机器老旧，在线更省事。决定之前做三件事——算清一年要处理多少小时、确认硬件量级、用两分钟真实素材验四项（错词、标点、时间戳、导出）。验完再装，比装完再后悔便宜得多。
确定路线之后，下一步是质量与产出：修音源和热词的做法见 转写准确率怎么提高；要做字幕，见 SRT 字幕文件怎么用；更多录音整理方法在 音频转写。