--- title: "在自己的电脑上离线转录会议，并标出每位说话人" description: "用 Foxl Notes 在搭载 Apple silicon 的 Mac 或 x64 的 Windows、Linux 电脑上离线转录会议并区分说话人：免费，不上传音频，无需账户。" author: "Foxl Team" date_published: "2026-10-27" date_modified: "2026-10-27" canonical_url: "https://foxl.ai/zh/blog/offline-speaker-diarization" markdown_url: "https://foxl.ai/zh/blog/offline-speaker-diarization/index.md" image: "https://foxl.ai/blog/offline-speaker-diarization-cover.png" social_image: "https://foxl.ai/blog/social/offline-speaker-diarization.png" content_type: "Deep dive" topics: ["Speaker diarization","Transcription","Meeting notes","On-device models","Privacy"] products: ["Foxl Notes"] --- # 在自己的电脑上离线转录会议，并标出每位说话人 > Foxl Notes 可以在你自己的电脑上转录会议，并用“发言人 1”“发言人 2”标出谁说了什么，无需上传音频，也无需登录。它支持搭载 Apple silicon 的 Mac，以及 x64 的 Windows 和 Linux 电脑。本指南介绍如何设置、说话人标签在我们的测试录音上表现如何，以及为什么它宁可把两个相近的声音合并，也不把一个人拆成两个，并附上 v0.9.2 的截图。 - Author: Foxl Team - Published: 2026-10-27 - Last reviewed: 2026-10-27 - Reading time: 4 minutes - Canonical HTML: [https://foxl.ai/zh/blog/offline-speaker-diarization]() ![Foxl Notes v0.9.2 中一场两人会议的 Transcript 标签页，在电脑本机上完成转录：每段发言都标着 SPEAKER 1 或 SPEAKER 2，以及开始时间。]() Foxl Notes 可以在你自己的电脑上转录会议，并把每段发言标记为“发言人 1”“发言人 2”等。在“设置 > 录音”中选择设备端引擎，然后录制会议或导入会议音频即可。录音不会为了转录而上传，不产生任何费用，也不需要 Foxl 账户。它支持搭载 Apple silicon 的 Mac，以及 x64 的 Windows 和 Linux 电脑，只需一次性下载约 1.3 GB。 ## 说话人分离能做什么 说话人分离（speaker diarization）按声音切分录音，让转录文本的每一行都标明是谁在说话。它并不识别任何人的身份，而是判断哪些音频片段来自同一个声音，再给这个声音编一个号。在两个人的通话里，正是靠它，你才能找到其中一方答应某件事的那一行。 云端转录服务是在你上传录音之后，在它们自己的服务器上完成这件事的。Notes 则在录音所在的那台电脑上、在负责写出文字的同一个引擎里完成。用到的都是开放模型：pyannote 的 segmentation-3.0（MIT 许可）找出说话人切换的位置，3D-Speaker 的 CAM++ 比较每个片段里的声音。两者都通过 sherpa-onnx 运行，所以不用安装 PyTorch，也不用申请 Hugging Face 令牌。 ## 设置方法 1. 在搭载 Apple silicon 的 Mac，或 x64 的 Windows 或 Linux 电脑上安装 Foxl。 2. 打开“设置 > 录音”。如果“转录提供商”是“自动”，引擎装好后就会切换到设备端引擎，除非这台电脑上有 AWS 凭据。你也可以自己选择“设备端”。 3. 如果引擎还没安装，选择“安装引擎”。这是一次性下载，约 1.3 GB；Notes 的第一屏也提供同一个按钮。 准备就绪后，“设置”会显示模型名称，并说明音频留在这台电脑上。在 Mac 上，模型是在 GPU 上运行的 8 位版 Qwen3-ASR；在 Windows 和 Linux 上，同一个模型在 llama.cpp 中运行。 ![Foxl 设置打开在“Recording”页面：Transcription Provider 设为 Automatic，正在使用 On device (Apple Silicon, offline)；一句说明写着设备端转录会在这台 Mac 上区分说话人，音频不会离开它；下方显示“Ready - mlx-community/Qwen3-ASR-0.6B-8bit running on this Mac”。]() _装好设备端引擎后的“设置 > 录音”。这里的 Foxl 没有登录。_ ## 转录一场会议 会议开始时，在 Notes 里按“开始录制”。如果是已有的录音，就用“导入录音或转录文本”：Notes 接受 wav、mp3、m4a、mp4 等音频和视频文件，文件一导入就开始转录。“转录文本”标签页会列出每段发言，以及它的发言人和开始时间。 ![一场导入的 32 秒会议的 Transcript 标签页：六段发言在 SPEAKER 1 和 SPEAKER 2 之间交替，分别开始于 0:00、0:06、0:11、0:16、0:21 和 0:26，内容是筹备一家网店上线、周一要交的价目表、周二对移动端布局的测试，以及一封上线通知邮件。]() _一场导入的两人会议，在电脑本机上完成转录并按声音分开。_ 标签是编号。点击一个标签，就能给这位发言人起名字。 ## 标签有多准确？ 在我们自己的 10 段合成对话评估集上，引擎平均把 99.09% 的音频归到了正确的说话人名下。每段对话有两到三个合成声音，选的声音彼此之间并不比真人之间更相像，所以正确答案是完全已知的。因此这个数字是测试结果，而不是对你会议室里效果的预测。在 14 个评估文件（其中 4 个是真实录制的对话）上，它每次都找出了正确的说话人数量。两个同性别的英语声音、轮次之间没有停顿时，正确率是 93.3%。上面截图里的会议同样是两个合成声音，六段发言全部分对了。 当两个声音非常接近时，引擎宁可把它们当成一个人，也不会把一个人拆成两个。在会议记录里，一行被记到错误的人名下，比一行没有明确归属危害更大。我们在制作这篇指南时就遇到了这种情况：一个合成声音和同一个声音降调后的版本之间的一场会议，结果被识别成了一个说话人。 ## 局限 - 它不知道名字。发言人的名字要你在转录文本里自己改。 - 没有适用于 Intel Mac 或 arm64 Linux 的设备端引擎。 - 它不写摘要。摘要需要一个模型：要么是你连接的模型，要么是 Foxl 的设备端摘要模型，后者需要另外下载。 ## 音频去了哪里 转录时，音频留在电脑上。选择设备端引擎后，“设置”会说明转录在这台电脑上进行、不产生费用，说话人分离也在同一个本地进程中运行。因为什么都不上传，没有网络连接时也能用。之后你做的任何事，比如让云端模型写摘要，都会经过你为此选择的提供商。 ## 参考资料与延伸阅读 1. [Foxl 文档：录音]() - Documentation 2. [Foxl 文档：Notes 中的额度与隐私]() - Documentation 3. [pyannote segmentation-3.0]() - Reference 4. [sherpa-onnx 说话人分割模型]() - Reference 5. [3D-Speaker（CAM++）]() - Reference 6. [Qwen3-ASR 0.6B，8 位 MLX 版]() - Reference 7. [下载 Foxl]() - Reference