我在用的工具 / TOOL01
Buzz：离线语音转文字，用一段模拟问诊录音实测
Buzz 是一款免费、开源的桌面软件，用 OpenAI 的 Whisper 模型把语音转成文字，全程在自己的电脑上完成。我在健康 AI 课程的作业里用了它：先把一段模拟问诊录音转写成文字稿，再让大语言模型（LLM）把文字稿整理成病历摘要。这一页记录怎么安装和使用它、小模型和大模型到底听到了什么，以及换成真实临床录音时我会怎么做。
- 章节
- 关键概念
- 阅读提示
Buzz 是什么
Buzz 是 Whisper（OpenAI 开源的语音识别模型）的桌面界面。选一个文件、选模型大小，Buzz 就在本地完成转写：不用注册账号，也不用上传。
| Buzz | |
|---|---|
| 费用与许可 | 免费，开源（MIT 许可） |
| 支持系统 | Windows、macOS（Apple 芯片）、Linux |
| 音频去哪了 | 哪儿也不去：转写在你自己的电脑上进行 |
| 输入 | 音频或视频文件、YouTube 链接、麦克风实时录音 |
| 输出 | TXT、SRT 和 VTT 字幕，以及带说话人标签的 Word 文件 |
怎么安装
所有下载都在 Buzz 的 GitHub 页面 的 Installation 部分：
- Windows：从 SourceForge 下载安装包。软件没有数字签名，Windows 会弹出警告，点 More info → Run anyway 即可。
- macOS：下载
.dmg。新版本需要 Apple 芯片，支持 Intel Mac 的最后一个版本是 1.4.5。 - Linux：Flatpak、Snap 或 AppImage。
第一次使用某个模型时，Buzz 会先下载它；模型越大，下载越大。
我是怎么用它的
作业给了一段 3 分半的模拟问诊录音：一位医生，和一位长途飞行后开始气短的病人。我的流程分两步：
- 用 Buzz 把录音转成文字稿。我跑了两次，分别用最小的 Tiny 和 Large-v3-Turbo，好做比较。
- 让 LLM 把文字稿整理成结构化的病历摘要。
这段问诊是模拟的，所以这里不涉及隐私问题。但如果是真实病人的录音，离线工具就很重要：音频不会离开你的电脑。当然，仍然要遵守所在机构关于病人数据的规定。
上手：从文件到文字稿
选 File → Import File，挑好录音，选一个 Whisper 模型，点 Run。Tiny 最小、最快；Large-v3-Turbo 大得多，也准得多。在我的笔记本电脑上，这段 3 分半的录音用 Tiny 大约 20 到 40 秒，用 Large-v3-Turbo 大约 1 分钟。
双击完成的任务，就会打开文字稿查看器。最有用的功能都在它的工具栏里：
| 按钮 | 作用 |
|---|---|
| View | 在纯文本、带时间戳的表格和按说话人分段的视图之间切换 |
| Export | 导出为 TXT、SRT 或 VTT 字幕，或带说话人标签的 Word 文件 |
| Translate | 用 LLM 翻译文字稿；需要在 Preferences 里填 OpenAI API key |
| Resize | 调整字幕的每行长度；合并行的功能只有在转写时打开了逐词时间戳才能用 |
| Identify Speakers | 区分不同的声音（我的电脑上大约一分半），然后可以给说话人命名，比如 Doctor 和 Patient |
| Find | 在文字稿里跳到某个词的每一处 |
说话人编号不是固定的。我有一次 Speaker 0 是病人，另一次是医生。命名之前先看几句（或者点 Play sample 听一下）。
同一段录音，两个模型
两个模型的差别很明显，下面两个片段最能说明问题。先听原声，再对比文字稿。
| 模型 | 文字稿 |
|---|---|
| Large-v3-Turbo ✓ | How long have you been on it? Demuline. Sorry. That's what it is. |
| Tiny ✗ | Though, how long have you been on a Demi-Lensary? |
我另外查了这个药名，Demuline 是对的。药名是不常见、又容易和别的词听混的词，对任何语音模型都是难点。
| 模型 | 文字稿 |
|---|---|
| Large-v3-Turbo ✓ | So there's no cough or phlegm or anything like that? |
| Tiny ✗ | So there's no cough. No. I'm already. No. |
Tiny 把 “phlegm”（痰）整个漏掉了，用 Buzz 的 Find 也能确认：在 Tiny 的文字稿里搜 phlegm，一处都找不到。Tiny 还把一些问句写成了陈述句，比如 Large-v3-Turbo 写的是 “Your periods are okay?”，Tiny 写成了 “Periods are okay.”。Large-v3-Turbo 甚至听出了几个我自己都没听清的词。
Large-v3-Turbo 也出了错
- 结尾的重复循环。录音最后几秒，它连续写了大约二十个 “Okay.”。Whisper 在安静或重复的音频上会出现这种重复，这次 Tiny 没有。
- 说话人标签。医生问的 “Are you on any medicines?” 被并进了病人的那段话，标成了病人说的。
这两种错误在快速浏览文字稿时都很容易漏看，而且会原样带进后续基于文字稿的任何结果里。
从文字稿到病历摘要
LLM 写出的摘要条理清楚，抓住了关键临床信息：今天开始的气短、刚从悉尼长途飞回来、在服口服避孕药、深呼吸时右侧尖锐疼痛，以及没有发烧、咳嗽或咳痰。
但摘要只能用文字稿里有的信息。基于 Tiny 文字稿的摘要里，完全没有提到病人否认咳痰：这个词根本不在文字稿里。
我给 LLM 定了一条规则：不确定的地方要标出来。它照做了，而且标记正好落在风险所在的位置：
Medications: oral contraceptive pill, reported in the transcript as "Demuline" … [CHECK: The medication name may be transcribed incorrectly and should be verified against the medication list or original audio.]
我的思考
- Buzz 免费、上手容易，而且离线运行，处理敏感录音时是一个合理的首选。
- 模型大小很关键。涉及临床的内容我会用大模型；Tiny 的错误恰好落在最关键的词上。
- 它不只是转写：还能区分说话人、搜索，并导出做笔记或字幕需要的各种格式。
- 如果接下来要让 LLM 处理文字稿，给它定规则。让它标出不确定的内容，我的核对快了很多：我知道该看哪里。
- 最后仍然要由人来核对药名、说话人标签，以及病人否认了哪些症状，然后再使用这份摘要。
链接与资源
- Buzz 的 GitHub 页面：下载、安装说明和源代码。
- Buzz 使用文档：偏好设置、导入文件、说话人识别和命令行用法。
- OpenAI Whisper：Buzz 所用的语音识别模型，以及各个模型大小的说明。