客户发来一段会议或访谈录音，想要一份能搜索、能校对、能继续编辑的文字稿。你可以先用本机语音识别生成初稿，再对照录音修人名、数字、术语和说话人，最后交付 TXT 或带时间码的 SRT。下面用一段虚构咖啡店访谈说明这套流程；它适合练习，不代表真人录音的识别效果，也没有经过客户交付验收。
你需要准备
| 设备 | Mac 或 Windows 电脑；建议先用短录音试运行，模型下载和内存需求随设备而变 |
| 工具 | Python、FunASR 和 FFmpeg；下面的示例脚本在 macOS 本机测试 |
| 账号和费用 | 本地推理不需要云端账号或按分钟付费；首次运行需下载模型文件和 Python 依赖 |
| 时间 | 录音越长，识别和人工校对越久；给客户报价前先听一段样音 |
接单前先把要求问清楚
先确认客户有权提供录音，并说明这段音频会怎样处理、保存多久、谁能接触。录音里可能包含可识别个人身份的信息；《个人信息保护法》要求处理个人信息有明确目的、采用必要方式，并依法取得相应依据。不要把客户会议录音上传到未经客户同意的在线转写服务，也不要把姓名、电话、健康信息等写进公开样例。《个人信息保护法》 《民法典》人格权编
开始前，用一张需求单确认：
- 交付全文、摘要，还是带时间码的字幕？
- 是否需要区分发言人？称呼用真名、职位，还是“说话人 1”？
- 人名、品牌、专业词汇和数字有没有参考表？
- 原始录音和转写稿何时删除，客户是否允许你用本机模型处理？
如果客户只要一份可读的会议纪要，先问是否还要逐字稿。删掉重复和口头语会改变原话，摘要也不是录音的逐字记录，交付前要让客户选清楚。
在本机转写一段录音
FunASR 是一套开源语音识别工具箱。这里用它的 paraformer-zh 中文离线识别，并组合 VAD（检测哪里有人在说话）、标点恢复和 CAM++ 说话人标签。FunASR 官方说明，中文离线任务可通过 AutoModel 调用这些组件；说话人编号是本段录音里的匿名标签，不能据此确认现实身份。FunASR 官方教程
先安装 Python 3.8 或更新版本、PyTorch、torchaudio 和 FunASR。FunASR 官方安装说明为 pip install funasr，并要求 PyTorch 1.13 以上及 torchaudio；具体版本以你电脑上的依赖兼容情况为准。安装与环境要求
把练习包里的 transcribe.py 放在录音旁边，在终端进入该目录运行：
python -m pip install torch torchaudio funasr
python transcribe.py 访谈录音.wav第一次运行会下载模型文件，之后再运行可复用缓存。脚本会在音频旁生成同名 .txt 和 .srt：TXT 用于阅读，SRT 带时间码，可导入支持字幕的剪辑软件。当前示例以 WAV 测试；如果你的录音是其他格式，先用 FFmpeg 转成单声道 WAV 再跑，例如：
ffmpeg -i 原录音.m4a -ar 16000 -ac 1 访谈录音.wavFunASR 官方指出，组合 VAD 后可处理长于单段模型输入限制的录音；录音太长或内存不足时，应缩小批处理或把文件切段再识别。长音频与 VAD 说明
对照录音校一遍
不要只看识别出来的文字。开着录音从头听到尾，重点核对：
- 人名、品牌和数字：把每个姓名、日期、金额、型号与客户给的参考资料核对。
- 短句和抢话：问答中的短回应、多人同时说话、离麦克风较远的声音容易漏掉或并到上一句。
- 说话人标签：对照声音逐段确认。编号只是模型按录音聚类的结果，不能自动映射成姓名或职务。
- 时间码：播放字幕开头、中间和结尾，检查它是否落在对应发言上。
- 交付范围：删掉口头语、补写摘要或待办时，要标明这是编辑整理稿，不要伪装成逐字稿。
我们试了什么
本机使用 FunASR 1.4.16，在 Apple M1 Max、64GB 内存、Python 3.11.15 和 PyTorch 2.14.1 上运行。对一段 50 秒的双人合成语音，模型加载约 18 秒、识别约 9 秒；但转写把部分短语粘在一起、标点位置不稳定，并把两种合成音色都分到同一说话人。19 秒短版还漏掉了三条较短的提问。
这两段音频是 macOS 合成语音，台词虚构，只用于检查程序能否生成 TXT/SRT。它不能代表真人录音或所有口音的结果。样音、原稿、原始输出和实测记录都保留在本机 local-only/ 文件夹，没有放进练习包或线上。接真人单时，先让客户提供一小段获准处理的样音，验证音质和术语，再估工时；逐句回听仍是交付前的必要步骤。
交付时附一张核对清单
练习包附有一份核对清单，可复制给客户确认输出格式、术语表、发言人称呼和删除时间。报价没有可靠统一标准，先看目标平台上相近服务的当前报价，再按音频时长、背景噪声、发言人数、校对深度、是否做摘要和返修范围核算。不要承诺“准确率百分之百”，也不要把模型生成的待办直接当成会议决议。
工具清单
| 工具 | 用途 | 官网与费用 |
|---|---|---|
| FunASR | 本机语音识别、分句和说话人标签 | GitHub，开源项目；本地运行不按分钟计费 |
| Python | 运行示例脚本 | Python 下载；免费 |
| FFmpeg | 转换音频格式 | FFmpeg 官网；免费开源 |
接下来可以做什么
- 《播客录音怎么转成文章》：从转写稿整理成可发布的文章。
- 《播客怎么做双人对话配音》：把核过的对话稿变成音频节目。
练习材料
下载转写练习包：包含可复用的脚本、虚构访谈原稿、一次测试输出摘录、来源和客户需求核对清单。练习包不含真人录音、私人录音或系统生成的音频样本。