老笔记本实现语音识别功能

 Posted on December 17, 2025  |  5 minutes  |  989 words  |  Wang

订阅的老时课程一直是在小程序里听音频，有时候会想看看文字稿，以前也想在自己笔记本上部署个语音识别产品，当时搜了下，可能也就讯飞、百度什么的有些可以免费使用的产品，开源的解决方案好像没有。

今天突然又想到这个念头，就在chatgpt和gemini上问了下，找到他们共同推荐的开源方案：OpenAI’s Whisper，结果竟然很轻松地就在我的老笔记本（LenovoTninkPad X1 Carbon）上跑起来了。

图片描述

感叹一句，科技发展的速度真是快呀！

提问（chatgpt/gemini）: “语音识别，中文，逐字稿，有能在mac10.15.7上运行的开源方案吗？16G内存 ”

chatgpt:

可以的，而且在 macOS 10.15.7（Catalina）+ 16GB 内存 这个条件下是完全可行的。
我直接给你 “能跑 + 不折腾 + 实际可用” 的开源方案结论。

✅ 结论先行（给你选）

在 macOS 10.15.7 上，最稳妥、成功率最高的是：

🥇 OpenAI Whisper（CPU 版）
🥈 Whisper.cpp（强烈推荐，最省资源）

❌ 不推荐：WhisperX / NeMo（对系统和依赖要求过高）

🥇 方案一：OpenAI Whisper（Python 版，经典方案）

✅ 兼容 Catalina

✅ 16GB 内存完全够

✅ 中文效果好

⚠️ 速度一般（CPU）

一、环境要求（你都满足）

  • macOS 10.15.7

  • Python 3.8 / 3.9（不要 3.11）

  • 无需 GPU

  • 16GB RAM ✅

二、安装步骤（一步一步，不踩雷）

1️⃣ 安装 Python（如果没有）

👉 推荐 3.9

brew install python@3.9

确认：

python3.9 --version

2️⃣ 安装 FFmpeg（必须）

brew install ffmpeg

3️⃣ 安装 Whisper

pip3.9 install -U openai-whisper

三、使用（最简单）

whisper test1.mp3 \
  --model medium \
  --language Chinese \
  --output_format txt

👉 输出：

test1.txt

📌 模型选择建议（16GB 内存）

模型准确率速度
small⭐⭐⭐快
medium（推荐）⭐⭐⭐⭐中
large⭐⭐⭐⭐⭐慢

四、优缺点

✅ 中文成熟
✅ 社区大
❌ 比 whisper.cpp 慢
❌ Python 依赖稍多

🥈 方案二：Whisper.cpp（强烈推荐 ⭐⭐⭐⭐⭐）

这是我最推荐你用的方案

为什么？

  • 🚀 极快（比 Python Whisper 快很多）

  • 💾 内存占用低

  • 🧱 完全兼容 macOS 10.15.7

  • 📴 完全离线

  • ⚙️ 一个二进制文件就能跑

一、安装（超简单）

brew install whisper-cpp

二、下载模型

cd /usr/local/share/whisper-cpp
./models/download-ggml-model.sh medium

三、使用

whisper-cpp \
  -m models/ggml-medium.bin \
  -l zh \
  -f test1.mp3 \
  -otxt

👉 输出：

test1.txt

四、为什么 whisper.cpp 特别适合你

项目Whisper.cpp
macOS 10.15✅
Python❌ 不需要
内存 16GB✅
中文⭐⭐⭐⭐
稳定性⭐⭐⭐⭐⭐

❌ 为什么不推荐 WhisperX

  • 依赖 PyTorch + CUDA / FFmpeg 高版本

  • Catalina 极易踩坑

  • 安装时间 > 使用时间

🎯 我的最终建议（直接照着做）

如果你想：

一次成功、不折腾、长期可用

👉 直接用：Whisper.cpp + medium 模型

gemini:

在 macOS 10.15.7 (Catalina) 上运行现代 AI 模型会有一些挑战，因为很多最新的软件（如最新版的 Buzz 或 MacWhisper）通常要求 macOS 11.0 或更高版本。

不过，你的 16GB 内存 是一个很大的优势。针对你的系统环境，我推荐以下三个最稳妥、能跑得动且准确率高的开源方案：

方案一：whisper.cpp (最推荐：轻量、高效、无视系统限制)

这是目前在旧款 Mac（尤其是 Intel 芯片）上运行语音识别的最佳方式。它是用 C/C++ 重写的 Whisper，不依赖复杂的 Python 环境，对内存管理极好。

  • 为什么适合你： 它是命令行工具，没有复杂的图形界面要求，完美适配 macOS 10.15。

  • 性能： 16GB 内存足够运行 medium（中型）甚至 large（大型）模型。

  • 安装步骤：

    1. 打开终端，克隆仓库：git clone https://github.com/ggerganov/whisper.cpp

    2. 编译：cd whisper.cpp && make

    3. 下载中文模型（推荐 medium）：bash ./models/download-ggml-model.sh medium

    4. 转换音频为 16kHz WAV（Whisper 要求）：ffmpeg -i input.mp3 -ar 16000 -ac 1 -c:a pcm_s16le output.wav

    5. 运行识别：./main -m models/ggml-medium.bin -f output.wav -l zh

方案二：Buzz (寻找旧版本 v0.7.x)

Buzz 是一个非常流行的图形化界面工具，内置了 Whisper。虽然最新版可能不支持 Catalina，但你可以尝试安装其 Legacy 历史版本。

  • 下载地址： 前往 Buzz GitHub Releases 页面。

  • 版本建议： 尝试 v0.7.1 或更早的版本，这些版本对旧版 macOS 的兼容性较好。

  • 优点： 界面简单，直接拖入 MP3 即可，支持导出 SRT 和文本。

  • 注意： 如果打开报错“程序损坏”，请在终端输入：sudo xattr -r -d com.apple.quarantine /Applications/Buzz.app

方案三：使用 Python + faster-whisper (手动搭建)

如果方案一的命令行让你觉得复杂，可以通过 Python 搭建一个稳定的环境。

  • 准备： 安装 Homebrew，然后安装 Python 3.9 或 3.10。

  • 安装命令： pip install faster-whisper

  • 优势： faster-whisper 使用了 CTranslate2 引擎，即使在 Intel CPU 上，识别速度也比 OpenAI 原版快很多。

  • 模型选择： 你的 16GB 内存建议使用 medium 模型。它在中文准确率上已经非常出色，且运行起来不会导致系统卡死。

核心建议与避坑指南

  1. Intel vs Apple Silicon： 10.15 系统的机器大概率是 Intel 芯片。由于没有 M1/M2 的神经网络引擎加速，识别速度会比新 Mac 慢，请务必使用 whisper.cpp 或 faster-whisper，原版 OpenAI Whisper 在你这台机器上会非常慢。

  2. 音频预处理： 所有 Whisper 系列工具对 16kHz 的单声道 WAV 文件支持最好。建议先用 ffmpeg 转换一下，可以极大地减少识别出错率。

  3. 模型权衡：

    • small 模型： 速度极快，但中文错别字较多。

    • medium 模型： 最佳平衡点（16GB 内存首选）。

    • large-v3 模型： 准确率最高，但在 10.15 系统上可能会感到明显发热和卡顿。

你需要我为你提供 whisper.cpp 更详细的编译命令，还是需要我帮你找一个特定版本的 GUI 安装包下载链接？

编译错误：

cmake build error:/Users/juan/git/whisper.cpp/ggml/src/ggml-metal/ggml-metal-device.m:635:83: error: use of undeclared       identifier ‘MTLGPUFamilyApple7’             dev->props.has_simdgroup_reduction  = [dev->mtl_device supportsFamily:MTLGPUFami…                                                                                   ^ /Users/juan/git/whisper.cpp/ggml/src/ggml-metal/ggml-metal-device.m:638:75: error: use of undeclared       identifier ‘MTLGPUFamilyApple7’             dev->props.has_simdgroup_mm = [dev->mtl_device supportsFamily:MTLGPUFamilyApple7];                                                                           ^ /Users/juan/git/whisper.cpp/ggml/src/ggml-metal/ggml-metal-device.m:642:70: error: use of undeclared       identifier ‘MTLGPUFamilyApple6’             dev->props.has_bfloat |= [dev->mtl_device supportsFamily:MTLGPUFamilyApple6];                                                                      ^ /Users/juan/git/whisper.cpp/ggml/src/ggml-metal/ggml-metal-device.m:776:85: error: use of undeclared       identifier ‘MTLGPUFamilyApple7’             dev->props.supports_gpu_family_apple7 = [dev->mtl_device supportsFamily:MTLGPUFa…                                                                                     ^ 4 errors generated. make[2]: *** [ggml/src/ggml-metal/CMakeFiles/ggml-metal.dir/ggml-metal-device.m.o] Error 1 make[2]: *** Waiting for unfinished jobs…. make[1]: *** [ggml/src/ggml-metal/CMakeFiles/ggml-metal.dir/all] Error 2 make[1]: *** Waiting for unfinished jobs…. [ 56%] Linking CXX shared library libggml-blas.dylib [ 56%] Built target ggml-blas [ 58%] Linking CXX shared library libggml-cpu.dylib [ 58%] Built target ggml-cpu make: *** [all] Error 2

解释原因：

chatgpt:

这个报错非常典型，而且你判断方向是对的。
我直接给你明确原因 + 3 个可行解决方案（从最稳到次优），照着做即可。

✅ 一句话结论（非常确定）

你的错误 不是 whisper.cpp 的问题，而是：

macOS 10.15.7（Catalina）+ 当前 Xcode / SDK 太老
❌ 不支持 MTLGPUFamilyApple6 / Apple7 这些 Metal 枚举

而 最新版 whisper.cpp 默认启用了 Metal GPU 加速，
于是编译 ggml-metal 时 直接炸掉。

❗ 错误本质

这些常量：

MTLGPUFamilyApple6
MTLGPUFamilyApple7

👉 只在 macOS 11+ / 新版 Xcode SDK 中存在

你的环境：

  • macOS 10.15.7 ❌

  • 对应的 Metal SDK ❌

所以编译期直接报：

use of undeclared identifier 'MTLGPUFamilyApple7'

✅ 解决方案一（强烈推荐 ⭐⭐⭐⭐⭐）

关闭 Metal，用 CPU 编译（最稳、最省事）

对你来说 CPU 已经完全够用（16GB 内存 + medium 模型）

✅ 正确编译方式（一定成功）

1️⃣ 清理旧构建

cd ~/git/whisper.cpp
rm -rf build

2️⃣ 关闭 Metal（关键一步）

cmake -B build \
  -DGGML_METAL=OFF

3️⃣ 编译

cmake --build build -j

👉 这一步在 Catalina 上 100% 能过

4️⃣ 使用

./build/bin/whisper-cpp \
  -m models/ggml-medium.bin \
  -l zh \
  -f test1.mp3 \
  -otxt

📌 性能说明：

  • medium 模型

  • 1 小时音频 ≈ 1.2–1.5 小时 CPU

  • 完全可接受、稳定

🥈 解决方案二（如果你一定想用 Metal）

⚠️ 不推荐，但给你完整说明

你需要同时满足：

  • macOS ≥ 11

  • Xcode ≥ 14

  • Command Line Tools 更新

👉 Catalina 无解，不是参数问题。

🥉 解决方案三（锁定旧版 whisper.cpp）

如果你 非要在 Catalina + Metal 编译：

git checkout v1.5.4

（那时还没引入 Apple6 / Apple7）

❌ 但缺点是：

  • 模型支持较旧

  • 中文效果略差

  • 不如 CPU 新版稳定

🎯 我的最终、专业建议（结合你前面的需求）

你要的是：

中文逐字稿、批量、长期稳定

而不是：

跑 GPU benchmark

👉 直接用：CPU + GGML_METAL=OFF

这是：

  • whisper.cpp 官方支持路径

  • Catalina 用户的事实标准解

  • 不折腾、不踩坑

gemini:

这个错误是因为 macOS 10.15.7 (Catalina) 的系统版本太老了。

MTLGPUFamilyApple7 是 Apple 在较新版本的 Xcode 和 macOS SDK 中引入的定义（主要针对 Apple Silicon 芯片）。你的系统编译器不认识这些新定义，导致在编译 ggml-metal（苹果显卡加速模块）时报错。

对于 10.15 系统的 Intel Mac，最直接的解决办法是禁用 Metal (GPU) 加速，改用 CPU 编译。在 Intel Mac 上，whisper.cpp 的 CPU 优化（利用 AVX/AVX2 指令集）已经非常出色，16GB 内存跑 medium 模型完全没问题。

请按照以下步骤重新编译：

第一步：清理之前的失败记录

在 whisper.cpp 目录下执行：

Bash

make clean
rm -rf build

第二步：禁用 Metal 进行编译

使用以下命令强制关闭 Metal 加速：

如果你是直接用 make 编译：

Bash

# 使用 WHISPER_NO_METAL=1 参数
WHISPER_NO_METAL=1 make -j

如果你是使用 cmake 编译（推荐）：

Bash

mkdir build
cd build
cmake -DGGML_METAL=OFF ..
cmake --build . --config Release

为什么这样做可以？

  1. 兼容性： 禁用 Metal 后，程序将不再尝试调用那些你系统中不存在的 GPU 接口。

  2. 性能： 在 2019 年及更早的 Intel Mac 上，集成显卡（Intel UHD/Iris）跑 AI 模型的效率并不比 CPU 高多少。whisper.cpp 会自动调用苹果系统的 Accelerate 框架，这在 Intel CPU 上运行得非常快。

编译成功后如何运行？

编译完成后，你会得到一个名为 main 的可执行文件。

  1. 下载模型（如果你还没下载）：

    Bash

    bash ./models/download-ggml-model.sh medium

  2. 转换音频（确保是 16kHz 的 WAV）：

    Bash

    ffmpeg -i your_file.mp3 -ar 16000 -ac 1 -c:a pcm_s16le input.wav

  3. 开始识别：

    Bash

    ./main -m models/ggml-medium.bin -f input.wav -l zh

whisper.cpp的github源码 https://github.com/ggml-org/whisper.cpp

我用的命令供参考：

./build/bin/whisper-cli -m /Users/XXXX/whisper.cpp/models/ggml-medium.bin -f XXXX/XXX.mp3 -otxt -l zh –prompt “这是一段中文音频，请包含逗号、句号。例如：你好，这是时寒冰微课堂。”

使用 whisper.cpp 生成 .srt 字幕文件，最关键的参数是 --output-srt（简写为 -osrt）。

如果你在 iPhone 拍摄后将视频传到电脑上使用命令行操作，以下是标准且推荐的参数组合。

1. 核心命令示例

Bash

./main -m models/ggml-base.bin -f input_video.wav --language es --output-srt

2. 常用参数详解

参数说明建议设置
-osrt / --output-srt最核心： 指定输出为 SRT 字幕格式。必须添加，否则默认只在终端打印文字。
-l / --language指定识别语种。西语设为 es（手动指定比 auto 更准确）。
-m / --model指定使用的模型文件路径。推荐 base 或 small（平衡速度与准确度）。
-t / --threads使用的 CPU 线程数。设为你的 CPU 核心数（如 -t 8）可大幅加速。
-f / --file输入的音频文件路径。注意：whisper.cpp 只接受 16kHz 的 WAV 格式。

3. 提高字幕质量的进阶参数

为了让生成的 SRT 字幕在视频中阅读感更好，建议加入以下控制：

  • --max-len [n]：设置每行字幕的最大长度（字符数）。建议设为 40，防止单行字幕过长遮挡画面。

  • --split-on-word：防止在单词中间断行，确保西语单词的完整性。

  • --ovtt：如果你需要 VTT 格式（网页播放常用），可以替换 osrt。

⚠️ 重要提醒：音频预处理

whisper.cpp 不能直接读取 iPhone 拍摄的 .mov 或 .mp4 视频，你需要先用 ffmpeg 提取并转换音频：

Bash

# 将 iPhone 视频转换为符合 whisper.cpp 要求的音频格式
ffmpeg -i input.mov -ar 16000 -ac 1 -c:a pcm_s16le output.wav

💡 隐私保护的小总结

使用 whisper.cpp + ffmpeg 是目前最高级别的隐私方案：

  1. FFmpeg 提取音频（本地）。

  2. Whisper.cpp 识别（本地，完全离线）。

  3. 得到 SRT 文件（本地）。

📚 所有文章