2026 年 Mac 和 Windows 本地语音转文字工具横评

先说结论

搜这类文章的人，需求基本落在四件事上：

手里有一段录音，要文字稿或字幕。 只用 Mac 的话，MacWhisper 功能最全，Pro 是一次性买断。
开口说话，字打进当前软件。 这是听写，不是转录。Superwhisper 在 Mac、Windows 和手机上都做这件事，开源方案有 VoiceInk（仅 Mac）。
会议或电脑正在播放的声音，要现场抓下来再整理成笔记。 MacWhisper 和 Superwhisper 现在也能在 Mac 上录会议；要在 Windows 上做，或者还需要监控文件夹和链接转录，音记AI 更合适。音记AI 是我们做的产品，下面的利益披露也适用于我们。
要写脚本、批量处理文件。 用 whisper.cpp 或 OpenAI Whisper 命令行，没有图形界面，但最灵活。

想看推理过程，往下读。想先拿到能验证的数字，直接跳到「我们自己的测试」一节，原始数据可以下载。

这篇文章怎么写的

音记AI 是我们做的。任何包含自家产品的对比都带着利益冲突，这篇也是。针对这一点，我们做了三件事。

第一，竞品条目只写它们公开页面上能核对的能力。不写竞品价格，因为价格会变，我们没法每月重新核实。也不写竞品准确率，因为没有一家工具公开自己的测试数据。

第二，准确率那一节不涉及竞品，讲的是几个离线语音识别模型在同一组音频上的实测，原始 JSON 公开，每个数字你都可以自己复算。

第三，文末有一套自测方法。拿你自己的音频花二十分钟，比这篇文章里的任何表格都管用。

怎么判断一个本地转录工具好不好用

比较具体工具之前，先定几个维度：

数据边界：核心转录是否在本机完成，音频和文字稿是否离开电脑。
准确率：中文、英文、中英混说各是什么水平，有没有办法自己验证。
速度：文件转录要等多久，实时转录延迟能不能接受。
上手难度：要不要配命令行、手动下载模型。
转录之后：能不能直接做摘要、导出字幕、批量自动处理。

后面所有判断都按这五条来。

「本地」到底指什么

多数对比把「本地」当成一个开关。其实它是两件事，而且会分别出问题。

第一件是核心转录：音频进，文字出。这篇文章里的每个工具，这一步都可以在你自己的机器上跑。

第二件是围绕转录的一切：模型下载、账号和授权校验、更新检查，以及 AI 摘要。这部分差别很大。音记AI 的 AI 助手可以接云端模型，也可以接 Ollama、LM Studio 这类本地后端，所以不能出门的会议照样能做摘要，只要把 AI 指到本地。商业软件一般要在线校验授权，这会发出账号信息，但不是音频。

如果你的要求是「完全断网也要能用」，别信任何厂商的页面，包括我们的。用 Little Snitch（Mac）或 GlassWire（Windows）这类防火墙拦一下这个应用，跑一个文件，看有什么东西出去。这个检查只要一分钟。更多细节见本地转录隐私科普。

横向对比

工具	平台	文件与批量	麦克风实时	应用或系统音频	监控文件夹	说话人标签	字幕导出	转录后整理
音记AI	macOS、Windows	有	有（Standard 起）	有（Standard 起）	有	暂未开放（开发中）	SRT、VTT、ASS 等 11 种	AI 摘要、行动项、笔记
MacWhisper	macOS	有	有	有（会议、应用音频）	有（Pro，Beta）	有（Pro）	SRT、VTT	AI 摘要、对话，可接本地或云端模型
Superwhisper	macOS、Windows、iOS、Android	有（Pro）	有（实时转录为 Pro）	有（Meetings 仅 Mac；系统音频为 Pro）	官网未提及	有（Pro）	官网未提及	光标处出字，会议摘要
whisper.cpp / Whisper 命令行	macOS、Windows、Linux	有	自己写代码	自己写代码	用脚本实现	自己接分离模型	有	自己搭
系统听写	系统内置	无	有	无	无	无	无	无
云端笔记（Otter、Fireflies）	网页、桌面端、手机	部分	有	会议机器人，或桌面端不进会录制	无	有（Fireflies 桌面端不进会录制时没有）	部分	有

竞品信息最后核实于 2026 年 10 月，来源：MacWhisper 官网、Superwhisper 官网和套餐说明、Otter 官网、Fireflies 桌面端说明。功能和套餐会变，购买前以官网为准。

几行需要解释。MacWhisper 的很多能力（说话人区分、监控文件夹、链接转录、实时字幕）在 Pro 里。Superwhisper 的会议功能目前只在 Mac 上，转文件、系统音频录制和说话人分离要 Pro。云端笔记不管用机器人还是桌面端录制，音频都在服务器上处理，它们出现在本地对比里，是作为你要拒绝的那个选项。用 whisper.cpp 的话，说话人分离要自己另接模型。

音记AI 的人声分离和语音增强属于 Pro 和终身版功能；说话人识别还在开发中，目前没有开放。免费版只能用 Whisper Tiny 到 Small 这几档模型、仅 CPU 转录。各套餐的完整差异见价格页。

各工具适合谁

音记AI：会议、系统音频和批量文件

音频本身就是你的工作材料时选它。它把文件转录、麦克风实时、应用实时、全局实时（Beta）、链接转录和监控文件夹放在一个应用里，转完可以直接用 AI 助手出纪要、导出字幕或 Markdown。

适合的人：

每天开在线会议，需要快速出记录
对数据隐私要求严格，比如律师、医生、记者
不想折腾命令行，希望下载模型就能用
需要把转录结果继续整理成笔记、摘要

需要知道的限制：首次使用要下载模型；实时转录、GPU 加速从 Standard 起才有；说话人区分还在开发中；听写是 v2.2.0 的 Beta 功能；系统音频和应用音频的权限流程在 macOS 和 Windows 上不一样。

MacWhisper：Mac 上功能最全的买断方案

只用 Mac，想要一个什么都能做的转录工具：转文件、录会议、说话人区分、监控文件夹、链接转录、系统级听写都有，多数在 Pro 里，Pro 是一次性买断。需要现在就自动区分说话人，它比音记AI 更合适。代价是只有 Mac 版。

Superwhisper：听写优先，覆盖手机

写邮件、工单、文档靠说，字要进 Mail、VS Code 或浏览器，而且希望 Windows、iPhone、Android 上用同一套设置。它也有会议录制和说话人分离，但会议功能目前只在 Mac 上，转文件要 Pro。收费是订阅或终身买断。

系统听写：免费但不灵活

macOS 和 Windows 都自带听写，适合简短口述输入。它不能处理已录好的文件，不适合批量或自动化，也不能导出字幕或时间戳。是否在设备端处理，以系统当前设置和官方隐私说明为准。

Whisper 命令行：开发者之选

免费开源，模型和参数完全可控。代价是要配置 Python 或编译 whisper.cpp，GPU 加速要自己处理，转录之后的整理也要自己搭。适合有命令行习惯、想把转录集成进自己项目的人。

那张人人在抄的数字表是什么来路

对比文章看多了，总会遇到同一张表：Whisper tiny 词错率约 7.6%，base 约 5.8%，small 约 4.2%，large 约 2.7%。我们写这篇之前读过的几篇对比里，好几篇有这张表或它的残片，没有一篇给出处，也没有一篇说这些数字来自什么音频。

这类数字通常来自干净的朗读式英文基准，和你的会议录音不是一回事。所以我们不复述一张自己无法核实的表，而是自己跑了一份。

我们自己的测试

我们用 8 个离线语音识别模型加 Whisper，转录同样的 5 段音频（4 段英文、1 段中文，每段 34 到 80 秒）。ML 引擎在一台 Mac 和一台 Windows 机器（Ryzen Threadripper 3960X）上都用 CPU、8 线程；Whisper 只在那台 Windows 机器的 RTX 3080 上跑。原始结果可以下载：

英文看词错率（WER），中文看字错率（CER）。RTF 是转录耗时除以音频时长，0.1 表示 1 小时音频约 6 分钟转完。

模型	英文 WER（Mac / Win）	中文 CER（Mac / Win）	RTF（Mac / Win）
Qwen3-ASR	1.19% / 1.59%	0.65% / 0.65%	0.227 / 0.302
Parakeet TDT	1.71% / 1.59%	不支持中文	0.103 / 0.170
SenseVoice	3.13% / 3.15%	1.61% / 1.61%	0.044 / 0.061
Moonshine	4.04% / 4.04%	不支持中文	0.019 / 0.031
Cohere Transcribe	1.78% / 1.78%	10.32% / 10.32%	0.346 / 0.365
FireRed CTC	11.42% / 11.84%	2.58% / 3.23%	0.216 / 0.277
Zipformer（英文）	8.81% / 8.81%	不支持中文	0.038 / 0.091
Zipformer（中英）	9.85% / 9.87%	2.26% / 3.23%	0.029 / 0.067
Whisper Small（Windows GPU，CUDA）	1.76%	0.97%	0.062

这张表里有三件事，是那张流传的表看不出来的。

指标要跟着语言走。 Cohere Transcribe 在我们的英文音频上属于第一档，到了中文那段，字错率是 SenseVoice 的六倍多。「多语言」三个字说明不了每种语言都好。转中文，就看中文音频上的字错率。

速度和准确率是两个独立的旋钮。 同一个模型在 Mac 和 Windows 上错误率几乎不变，速度却差很多：Moonshine 在 Windows 上慢约 1.7 倍，英文 Zipformer 慢约 2.4 倍。同一台 Windows 机器上，Whisper Base 在 CUDA 和 Vulkan 下英文词错率都是 2.40%，RTF 却是 0.047 对 0.112。换 GPU 后端，改变的主要是等待时间。

小不等于差。 Whisper Base 只有 150 MB，在这几段音频上的英文成绩比好几个模型都好。原因之一是这些音频大多是发音清晰的合成语音，比真实会议容易得多。麦克风前的清晰人声，可能用不上 3 GB 的模型；隔着桌子的手机录音，最大的模型也吃力。

五段音频不是排行榜。没有口音、远场会议和电话音频，ML 引擎也只测了 CPU。这些数字用来理解规律，别拿来给你的音频排模型。

中文和中英混说

多数英文对比文章对中文只字不提。从我们的实测里说两条。

选型看字错率，别看名气。 SenseVoice 比 Qwen3-ASR 多错几个字，但速度快四到五倍。反正要人工校对的中文采访，通常算 SenseVoice 划算；措辞必须严谨的场合，再用 Qwen3。

中英混说要单独测。 夹着说话会打破一些模型的语言检测假设。我们只有一段中文音频，所以直说：这块我们也没有可靠数据。开工前，拿自己一段混说音频把候选工具各过一遍。

付钱之前，先花二十分钟

不管买什么，这个流程都比网上的表格管用，包括我们的。

挑三段音频：一场正常的会，一段嘈杂或远场的，再加你最差的一段，比如手机语音备忘或两个人抢话。
在还没淘汰的两个工具里各跑一遍，用默认设置，记下各自用的模型。
手工数输出第一分钟里的错误。 六十秒的稿子数一遍，误差足够小，够做购买决定。
跑一个完整文件并计时，用耗时除以音频时长，就是你机器上的 RTF。低于 0.1，一小时音频六分钟内转完。
如果隐私是这次决策的原因，趁文件在跑，做一次前面说的防火墙检查。

什么人不必选本地

搜到这篇文章的人大多适合本地转录，但有几种情况值得先说清楚。

音频是手机录的，或者会议走电话桥接，所有本地工具的效果都会打折扣。先测，再买。

要在一台不归你控制的机器上零配置出稿，网页服务可能更合适。本地工具至少要装一次模型。

要「不用校对就能发布」的准确率，本地和云端都做不到。人工转录服务存在到现在，是有原因的。

常见问题

本地转录和云端比，准确吗？ 在清晰的英文音频上，差距已经小到通常不影响决策。我们的几段测试音频上有好几个本地模型词错率低于 2%。难搞的音频上，云端的预处理有时仍然占优。不管怎样，都该拿自己的录音测。

完全断网能用吗？ 核心转录可以，前提是模型已经下载过一次。登录、授权校验、更新和可选的云端 AI 功能仍会联网。在意的话，用防火墙验证。

需要什么硬件？ 近几年的电脑跑 Whisper Small 都没问题。GPU 加速对大模型和长文件更有意义。在我们那台 Windows 机器上，CUDA 把 Whisper Base 的处理时间砍掉一半还多，英文结果和 Vulkan 一致。

该从哪个模型开始？ 文件转录，Small 是合理起点，在乎准确率就上 Medium 或 Large-v3 Turbo。中文可以试 SenseVoice。实时场景选实时模型，它们用一点准确率换低延迟。详见模型选择建议和模型与引擎总览。

本地转录要花多少钱？ whisper.cpp 和 Whisper 命令行免费。MacWhisper 是免费版加 Pro 一次性买断，Superwhisper 是免费版加 Pro 订阅或终身买断，具体价格以各自官网为准。音记AI 有免费版（Whisper Tiny 到 Small、仅 CPU、单文件上限 1GB），付费档的价格和权益以价格页为准。

接下来看什么

如果开头那四种需求对上了你的情况，最快的决定方式还是拿自己的音频做那二十分钟测试。测完觉得合适，音记AI Mac 和 Windows 版在这里。