录音转文字，教你三个最简单的办法
先说结论。
开会、听课、听讲座，录了音，怎么变成文字？这半年我试了不少工具，最后留下三个，都是上手就能用的：
一，通义听悟网页版。免费，文件传上去就行。
二，录音卡片自带的转写。录完自动出字。
三，家里的机器本地跑。材料不出门。
前两个五分钟上手，免费额度对大多数人够用。第三个要一台像样的机器，但我把配置直接给你，复制给你的 AI 就能装。
怎么选就一句：公开的讲座、课程、会议，前两个随便用；涉及客户、案子、公司内部的，只走第三个。
还有一句：不管走哪条，出来的都是初稿。把初稿丢给你自己的 AI，补上背景让它洗一遍，才是能用的稿。
公开的走云端 涉案的用本地
01 · 上周五，五个多小时的录音
先说我自己的场景。上周五外滩大会我录了两场，一场三个半小时，一场两个多小时。回到家把两个文件丢给家里的机器，睡觉。第二天早上，两份带时间戳、带说话人标签的文字稿已经在那儿了。
盒子转出来的原始稿，节选，没清洗。主持人开场是 S04；三小时后的问答，主持人停下它能标出来，但换到谁身上会碎，一个提问被拆成了两个号
后面那篇文章、这篇文章，都是对着这份稿子写的。
但这条路我是 9 月才走通的。之前一直用前两个，到今天也还在用。三个都是亲手试过、留下来的。
02 · 三个方法，各怎么用
路一：通义听悟。适合不想装任何东西的人。
网页版登录，点「上传音视频」，文件拖进去。单个文件最长 6 小时、500MB，上传时可以选区分发言人：单人演讲、2 人对话、多人讨论。等几分钟，稿子出来，带时间戳，能导出。
通义听悟的上传框，能选区分发言人
额度是这样的：每天登录一次送 10 小时转写时长，能攒到 400 小时。正常人用不完。
坑只有一个：文件在阿里的服务器上转。公开讲座无所谓，涉案的谨慎传。
路二：录音卡片自带的转写额度。适合本来就带着卡片的人。
6 月我写过为什么随身带一块录音卡片，那篇讲的是录。这里补的是转：我用的卡片是钉钉 A1，配套的手机软件就是钉钉，里面的功能叫 AI 听记。录完自动传过去，在免费额度里直接转，不用倒腾文件。外滩那场三个半小时，App 里就是一份带发言人的转写稿加一份 AI 纪要。
钉钉 AI 听记的转写页，和本月 1300 分钟额度
当初选它，最主要的一条就是免费转写额度高：每个月 1300 分钟。各家卡片给的额度差很多，有的多有的少。我买卡片就是为了要文字，所以额度是第一位的，别的功能都在后面。
同样，也是云端转的。额度用完了，我就切到第三条。
路三：家里的机器本地跑。适合材料不能出门的场合，或者前两条额度用完的时候。
先说丑话：这条吃硬件。我自己用的硬件是 DGX Spark，一小时录音处理完差不多 6 分钟，给大家做个参考。
8 月底我写过脱敏那篇，结论是材料出门这件事本身就是问题，所以家里放了一台机器跑模型。录音转文字是它干的活里最顺手的一个。
选哪个模型，我试了几个。
FunASR 最快，55 分钟的录音 45 秒出字，但句子是碎的，「案件」听成「按键」，说话人只能分出两个。搜个词可以，出稿不行。
VibeVoice 7B 短片段质量很好，长录音跑到中间会陷进一句话反复循环，内存也吃得多。
Qwen3-ASR 英文词略好，中文关键词错得多，而且不分说话人。
最后定的是复旦开源的 MOSS-Transcribe-Diarize。一次推理同时出文字、说话人、时间戳，支持热词，中文口语和法律词（请求权基础、类案检索）整段就很准。模型只有 1.8GB。
英文名词是它的短板，DeepSeek 会写成 DIPSICK。解决办法是把长录音切成 10 分钟一段，每段带上热词，再用一个声纹模型把各段的说话人对齐回去。这一套是踩了几个坑之后定下来的，参数都在下面。
说话人分离要说句实话：几个人轮流上台演讲的场合，它会把三个讲者并成一个标签，零星插话又会碎成好几个号。这次外滩那份稿子，我是按主持人过场的时间点重新标的人。两个人对谈、开会这种它就很稳。
最快的不是最好的 一次出全的才省事
03 · 本地那条的部署指令，复制给你的 AI
硬件要求：一台正常的电脑就行。有 NVIDIA 显卡最好；Mac 的 M 系列芯片也能跑；都没有就用 CPU 跑小一点的模型，慢一些。转写服务可以装在你正在用的这台电脑上，也可以装在家里另一台机器上，Mac mini、Mac Studio、带显卡的台式机都行。下面的指令让 AI 先判断你是哪种情况，再往下装。
带 NVIDIA 显卡那条是我实测过的，参数照抄就行。Mac 和纯 CPU 那两条是让 AI 按顺序试的路线，跑不动就退一档。
下面这段复制给你的 AI 助手，让它照着做。
部署指令 · 整段复制给你的 AI
【任务】帮我在本地部署一个语音转文字服务，要带说话人区分和时间戳，中文优先，长录音（3 小时以上）要能跑。先判断我的情况，再选路线，不要一上来就装。
【第一步，判断设备】先检查并告诉我：
1. 我现在是只有这一台电脑（你和转写服务在同一台机器上），还是另有一台单独的机器（Mac mini、Mac Studio、带显卡的台式机、DGX 这类）专门用来跑？
2. 这台要跑转写的机器是什么硬件：有没有 NVIDIA 显卡（显存多大）、是不是 Apple M 系列芯片、还是只有 CPU？内存多大？
按结果走下面对应的路线。
【路线 A：有 NVIDIA 显卡，显存 16GB 以上（12GB 也行，把 KV 降到 6GiB）】这是我实测过的配置，参数照抄。
- 模型：OpenMOSS-Team/MOSS-Transcribe-Diarize（复旦开源，0.9B，约 1.8GB，Apache-2.0）。国内从 ModelScope 下载：OpenMOSS/MOSS-Transcribe-Diarize，下载后校验 sha256。
- 推理栈：vLLM 0.28 官方 Docker 镜像（0.27.1 以上才认这个模型），容器里补装 librosa 和 soundfile。
- 启动参数：
--kv-cache-memory-bytes 8589934592（8GiB，显式给字节数；统一内存的机器不要用 --gpu-memory-utilization 让它自己算，同一配置两次会算出不一样的数）
--max-model-len 72000
--max-num-seqs 2 --max-num-batched-tokens 16384
环境变量放开音频上限（默认 25MB / 600 秒，长录音必挂）：
VLLM_MAX_AUDIO_CLIP_FILESIZE_MB=500
VLLM_MAX_AUDIO_DECODE_DURATION_S=6000
VLLM_MAX_AUDIO_DECODE_BYTES=805306368
- 服务只绑本机或内网地址，不暴露公网。
【路线 B：Apple M 系列芯片，内存 16GB 以上】
- 先试同一个模型 MOSS-Transcribe-Diarize，用 transformers 走 MPS 跑，不用 vLLM。
- 跑不动或太慢，退到 FunASR（Paraformer-zh + fsmn-vad + ct-punc + CAM++），CPU 就能跑，快，句子碎一点但可用。
【路线 C：只有 CPU】直接用 FunASR，同路线 B 的第二条。速度慢的话，公开录音优先走云端服务，本地只留给不能出门的材料。
【转写策略，三条路线都一样，不要整段一次推理】
- 长录音先用 ffmpeg 归一成 16k 单声道 wav，按 600 秒切段，每段带热词（逗号分隔，20 到 30 个）；路线 A 可以 2 路并发。
- 各段的说话人标签用 CAM++ 声纹模型（ModelScope 上有，28MB）跨段对齐：每个段内说话人取不超过 40 秒音频出声纹，逐段匹配，阈值 0.55。
- 超过 60 分钟的多人录音整段推理会丢时间戳，所以一律走分段。
【怎么调用】
- 只有一台电脑：做成一条本机命令就行，比如 transcribe <音频> [热词]，不用起 HTTP 服务。
- 有单独的机器：在那台机器上包成一个 OpenAI 兼容的 HTTP 接口，只对内网开放：POST /v1/audio/transcriptions（multipart 字段 file、prompt=热词、response_format=verbose_json，返回 text、duration、segments，每段 start、end、text、speaker），另给 GET /health 报状态。
【输出文件】transcript.md（按说话人合并、带时间戳的可读稿，头部列各说话人时长）和 segments.json。
【验收】拿一段 5 分钟的两人对话试跑，能出 S01、S02 交替和时间戳就算通。
装完就是一个常驻服务。我这边实测，55 分钟的录音大约 5 分钟出字，3 个半小时的大约 15 分钟。Mac 和 CPU 会慢不少，把它放着跑就行。
04 · 再加一个技能，以后音频丢进去就自动跑
服务装好以后，每次还要自己写请求太麻烦。我让 AI 给自己写了一个技能，以后我说「转文字」，它自己去跑。思路就三步，也可以直接复制给你的 AI：
技能说明 · 整段复制给你的 AI
【技能名】audio-transcribe
【什么时候用】我给你一个音频文件（wav、mp3、m4a）说「转文字」的时候。
【先判断】转写服务装在本机，还是另一台机器上。装在本机就走「本机」，装在别的机器就走「远程」。以后每次都按这个走，不用再问我。
【本机】
1. 直接调用本机的转写命令：transcribe <音频> <热词>。
2. 等它跑完，长录音要几分钟到十几分钟，别中途放弃。
【远程】
1. 先 GET http://<转写机器>:<端口>/health 看引擎状态。没起就 POST /warmup，等它 ready。
2. 把整个文件 POST 到 /v1/audio/transcriptions，multipart 字段：file=文件，prompt=热词（逗号分隔），response_format=verbose_json。超时设到小时级。
【两种都一样的收尾】
拿回 segments，在音频同目录存两个文件：transcript.md（每行「[分:秒] 说话人：文本」，同一说话人连续的合并）和 segments.json（原样存）。
【热词】默认带上这份清单，每次可以追加：（在这里写你常用的人名、产品名、法律术语）
【降级】服务连不上或跑失败，直接告诉我，不要自己换成云端服务。
热词那一栏值得认真填。当事人姓名、你常提的产品名、所里的术语，填进去以后英文名词和生僻人名基本就不错了。
装一次 以后说一句话的事
05 · 三条路出来的都是初稿
不管哪条路，出来的稿子里人名、专有名词、案由这类东西都会错一些。听悟和卡片没有热词，错得更多一点。
所以我的用法固定是两步：先拿免费的出一份初稿，然后把初稿丢给自己的 AI，告诉它这是哪场会、谁在讲、涉及哪些人和产品，让它对着这些背景清洗一遍。出来的才是能用的版本。
这套两步有人做成了开源技能，音频丢进去，初稿和清洗一起跑完。有需要的自己搜一下。
免费的出初稿 自己的 AI 洗成稿
06 · 两句实务提醒
一是前面说过的，涉及客户、案子、公司内部的录音不上云。公开讲座、课程、论坛随便。
二是录音前打个招呼。一对一的谈话，说一句「我录个音回头整理」，这个习惯比任何工具都重要。
转成字只是第一步。稿子出来了，真正值钱的是你接下来对着它说的那十来分钟。
你手机里现在躺着几段录了没转的录音？
原文发布于「零代码法律人」。读者可前往 微信公众号阅读原文。