本地语音识别免费方案：Whisper 全平台对比（2026 版）
过去两年 OpenAI 开源的 Whisper 把"本地语音识别免费"这件事从"做得到"变成了"做得好"。问题不再是"有没有免费方案"，而是"这么多方案我该选哪个"。
本文把目前主流的免费本地语音识别方案做一次系统对比，并告诉你哪种人适合哪种工具。
先说结论：本地语音识别的三大主流路线
- 原生编译路线：Whisper.cpp / faster-whisper，C++ 实现，性能最好。
- 桌面 GUI 路线：MacWhisper、buzz、WhisperDesktop，给原生引擎套壳，普通人友好。
- 浏览器路线：transformers.js + WebGPU/WASM，免安装、跨平台。
方案对比表
| 方案 | 平台 | 门槛 | 速度 | 适合 |
|---|---|---|---|---|
| Whisper.cpp（命令行） | 全平台 | 高 | 极快 | 开发者 |
| faster-whisper（Python） | 全平台 | 高 | 极快 | Python 用户 |
| MacWhisper | macOS | 极低 | 快（Apple Silicon） | Mac 普通用户 |
| buzz | 全平台 | 低 | 中 | 跨平台普通用户 |
| WhisperDesktop | Windows | 低 | 快（GPU） | Windows 用户 |
| transformers.js（浏览器） | 全平台 | 极低 | 中 | 不愿装软件的人 |
| Talk2Text（浏览器） | 全平台 | 极低 | 中 | 要 UI、要导出的人 |
各方案详细点评
Whisper.cpp
C/C++ 高性能实现，支持 CPU、CUDA、Metal、Vulkan。命令行操作，速度通常是 Python 版的 2-4 倍。适合有命令行基础、追求性能的开发者。
缺点：纯命令行，普通人不会用。
faster-whisper
基于 CTranslate2 的 Python 实现，相比官方 transformers 版快 4 倍、内存占用减半。是 Python 生态事实标准。缺点：要装 Python、CTranslate2、模型权重。
MacWhisper
macOS 上最受欢迎的客户端，基于 whisper.cpp。Apple Silicon 上速度极佳。免费版有限制，高级功能要付费。缺点：仅 Mac、部分功能收费。
buzz
开源跨平台 GUI，基于 whisper.cpp。界面简单，支持实时转录和文件转录。缺点：界面偏简陋，导出格式有限。
WhisperDesktop
Windows 上常被推荐的客户端，支持 NVIDIA GPU 加速。缺点：仅 Windows。
transformers.js（浏览器）
Hugging Face 出品的 JS 库，让 Whisper 直接在浏览器里跑。借助 WebGPU 加速，速度接近原生。优点：免安装、跨平台、代码可审计。缺点：依赖浏览器性能。
Talk2Text
基于 transformers.js 的浏览器端工具，给纯算法套了一个产品化的 UI：上传 → 进度 → 编辑 → 导出 SRT/VTT/TXT。定位：不想装软件又想要好用 UI 的普通人。
按需求推荐
你是开发者，追求极致性能
选 Whisper.cpp 或 faster-whisper，能榨干硬件性能。
你是 Mac 用户
选 MacWhisper，体验最丝滑。如果不想付费又想跨设备用，配 Talk2Text 兜底。
你是 Windows 用户
有 NVIDIA 显卡 → WhisperDesktop；没有 → buzz 或 Talk2Text。
你完全不想装软件
选 Talk2Text。浏览器打开就用，关掉就清空，跨设备一致。
你想要 SRT / VTT 字幕格式
Talk2Text、MacWhisper、buzz 都原生支持。命令行版需要自己处理时间戳。
你想要实时转录（边说边出字）
buzz 支持，MacWhisper 支持。Talk2Text 当前定位是文件转录，实时转录在路线图上。
本地语音识别的硬件性能参考
Whisper 在不同硬件上的实际表现（以 1 小时清晰中文录音为例，使用 small 模型）：
- Apple M2 / M3：约 3-5 分钟转完
- Intel i7 + RTX 3060：约 4-6 分钟
- Intel i7 集显：约 10-15 分钟
- 中端手机（浏览器）：约 20-30 分钟
如果嫌慢，换 tiny / base 模型可以快 2-3 倍，精度略降但日常够用。
常见疑问 FAQ
真的完全免费吗？
Whisper.cpp、faster-whisper、buzz、transformers.js 都是开源免费的。MacWhisper、WhisperDesktop 基础功能免费，高级功能收费。Talk2Text 完全免费。
本地处理需要联网吗？
仅在第一次下载模型时联网，之后完全离线可用。Talk2Text 会把模型缓存到浏览器，第二次起可以断网用。
对硬件要求高吗？
2020 年之后的主流设备基本都能跑。tiny 模型 2GB 内存就够；large 模型建议 8GB+ 显存或 16GB+ 统一内存。
和云端付费方案比，准确率差距多大？
small 模型在普通话清晰录音上已经接近云端水准；large 模型在多数场景下不输甚至超过云端 API。差距主要体现在强噪声、重口音、多人重叠。
手机能用吗？
iOS Safari、Android Chrome 较新版本可以跑 Talk2Text，但速度比电脑慢。重要文件建议用电脑处理。
结论
2026 年，免费本地语音识别已经不是有没有的问题，而是怎么选的问题。原则很简单：追求性能选原生，追求体验选桌面 GUI，追求免装和跨设备选浏览器。如果你不想折腾环境，又想要可用的 UI，Talk2Text 是最直接的答案。