首页 › 什么是本地语音识别

概念解释

什么是本地语音识别？（离线、端侧转写的原理）

本地语音识别，是指把语音转文字的模型直接跑在你自己的电脑里，音频不上传到任何服务器。中文里同一件事有三种说法：普通用户说“本地”“离线”，技术文档里说“端侧”。它的反面是云端转写——录音先传到服务商那边算完，再把文字回传给你。这篇文章讲清两者的实际差别，以及各自适合什么场景。

先把词理清：本地＝离线＝端侧

你在不同地方会看到三个词，指的其实是同一件事：模型运行的位置是你手上这台设备。

• 本地语音识别——最常见的用户说法，强调“在我自己的电脑上”。
• 离线语音识别——强调“断网也能用”，是同一件事的另一个侧面。
• 端侧 AI 转写——行业和厂商文档里的说法，“端侧”对应的是“云端”。

有一点必须先讲清楚，因为很多人会混：“加密传输”不等于本地处理。链路加密只保证传输途中别人截不走，音频最后仍然落在对方的服务器上，仍然要问“存多久、谁能看、怎么删”。本地识别的不同之处在于，根本不存在“上传”这一步——比较的维度从“传得够不够安全”，直接变成了“压根不传”。

它是怎么跑起来的

原理并不神秘。语音识别模型本质上是一个训练好的文件，把声音波形映射成文字。本地方案做的事情，就是先把这个模型文件下载到你的电脑上，之后每次转写时把它读进内存，用芯片算完，结果直接留在本地。

在 Mac 上，这个计算主要交给 Apple Silicon 的 GPU 来做。M1 之后的芯片把统一内存和 GPU 算力放在一起，几 GB 的识别模型可以整个装进内存跑，这正是本地转写这几年从“能用”变成“好用”的技术前提。也正因为如此，这类应用普遍要求 Apple Silicon，Intel 芯片的 Mac 跑不了。

把两条链路并排放，差别一眼可见：

• 云端：录音 → 上传文件 → 在服务器排队 → 转写 → 下载结果 → 音频和文字在服务器上留存（留多久看各家条款）
• 本地：录音 → 本机转写 → 完成。音频和文字从头到尾都在这台电脑里

只有第一次下载模型需要联网，之后飞行模式、断网、公司内网都照常工作。

本地和云端到底差在哪

公平地说，云端也有它明显更合适的场合：几百小时的存量音频要一夜之间跑完、只想开个网页不装软件、团队要在同一个后台里共享和协作。本地方案的优势集中在另外三种条件——音频不能外发、没有网络、不想按分钟一直付费。

“不用注册账号”为什么排在很前面

在中文用户的顾虑清单里，账号问题的位置比很多人预想的要靠前。云端转写通常要手机号注册、要同意一份用户协议、要接受“为改进服务可能使用你上传的数据”这类条款；在公司里用，还要走信息安全或法务的审批流程，如果录音里有客户、候选人、当事人的声音，往往还得先问过对方。

本地方案把这一整条讨论去掉了：没有账号，就没有“数据存在谁名下”；没有上传，就没有“存多久、能不能删干净”。这在实际工作里省下的不是几分钟，而是几周的沟通。

需要强调的是，以上只是架构层面的事实描述，不构成任何合规声明。一款软件是否满足贵司的信息安全或个人信息处理要求，请以贵司法务／信息安全部门的判断为准。

本地方案的代价，也要说清楚

只讲好处就不诚实了。本地转写确实有它的成本：

• 第一次要下载模型——识别模型是几百 MB 到 1.6 GB 不等的文件，装完之后才能离线用。
• 吃你自己的算力——转写时风扇可能会转，长文件跑的时候电脑会热，笔记本用电池会掉得快一些。
• 硬件有门槛——需要 Apple Silicon（M1 及以上）的 Mac，系统需要 macOS 13 或更高版本；Intel 芯片的 Mac 无法使用。
• 长音频要等——两小时的会议录音不会秒出结果，虽然通常比实时播放快不少，但仍然需要几分钟到十几分钟。
• 批量不是强项——一次性处理几百个文件，服务器的并行能力仍然更有优势。

准确率会不会比云端差

几年前的分工确实是“重活交给服务器，端上只跑简化版”，但 Apple Silicon 出现之后这个前提变了：完整尺寸的识别模型可以直接在 Mac 上跑，端上和云上用的往往是同一量级的模型。

更值得关注的是，准确率受录音质量的影响，比受“本地还是云端”的影响大得多。真正决定结果的是这几件事：

• 话筒离说话人的嘴有多远（会议桌正中间放一支手机，效果一定不好）
• 有没有空调、投影仪、键盘敲击这类持续底噪
• 是不是经常几个人同时抢话
• 专有名词、公司内部黑话、缩写多不多（这部分基本要靠人工校对）

换成云端不会解决这些问题；把录音方式改一改，效果提升往往更明显。

什么场景该用哪种

适合本地：涉及商业敏感信息的内部会议、客户商务洽谈、记者采访、面试与人事沟通、律师与当事人的沟通记录、出差途中或飞机上没有网络的时候，以及每个月用量说不准、不想被按分钟计费的长期使用。

如果录音里有其他人，请注意：国内职场的通行做法是在会议开始时口头说明“本次会议将录音”。未经同意录制他人的私密谈话，可能侵犯《民法典》第 1032—1033 条项下的隐私权。请先取得对方同意，并遵守贵司的相关规定。

不适合本地：只有 Windows 电脑（本文提到的应用仅支持 macOS）、还在用 Intel 芯片的 Mac、需要团队在同一个云端后台里协作编辑，或者要一次性消化几百小时的存量音频。

在 Mac 上做本地语音识别

Lesskeys 就是完全按这个思路做的 macOS 应用：语音输入和录音转写都在本机完成，音频和转写结果都不会离开你的 Mac，不需要注册账号，也没有遥测。支持 99 种语言，自动识别语种。语音输入的结果会复制到剪贴板，你在需要的位置按 ⌘V 粘贴（应用不会替你自动输入文字）。

运行环境：macOS 13 或更高版本，必须是 Apple Silicon（M1 及以上）的 Mac。

在 Mac App Store 下载免费，先用自己的录音试过再决定；需要继续用时，在应用内一次性买断 Pro，$49.99，不是订阅（人民币价格以中国区 App Store 显示为准）。免费版本身也能干活：语音输入每天 5 分钟，音频转写共 5 次、视频转写共 5 次（终身额度，不是每天刷新）；录音本身不计次，对已经转写过的内容重新转写也不计次。

想看具体怎么操作，可以读《录音怎么转文字》；手里已经有音频文件的，直接看《音频文件转文字》。

常见问题

相关内容