想把一场英文演讲变成中文笔记，或者给自己录的视频配一段旁白，过去要么交给收费的云服务，要么在命令行里折腾半天。最近一年 GitHub 上有两个开源项目把这些事装进了桌面软件。VoiceStudio 自称本机版的 ElevenLabs，能克隆声音、给视频配音；VidBee 能从 YouTube、B 站等一千多个网站下载音视频，在自己电脑上转成文字。
两个都免费开源，核心音视频处理都能留在本机；但 VidBee 若接云端 AI 做摘要或问答，提示词和转写文字仍会发给所选服务商。〔1〕〔2〕
源
我们自己一直在 Mac 上做演讲、播客的转写，用的是同一批开源模型。所以这次没有只看介绍页，而是读了两个项目的代码和许可证，再拿手上已经转好的 13 场英文演讲做了一次对照。最有用的发现不在这两款软件本身，而在一个很多人都会踩的坑上。
先说结论里最意外的一条
斯坦福 2005 年那场乔布斯毕业演讲，我们的本机转写一直「看起来没问题」：900 秒的音频不到一分钟就转完，开头几个故事一字不差。
拿 YouTube 上的人工字幕一对，词错率却高达 38%。打开转写稿往下翻，从第 12 分 46 秒起，同一句「Don’t let the noise of others’ opinions.」连续出现了 94 次，一直重复到结尾。也就是说，最后两分多钟，包括那句「Stay hungry, stay foolish」和《全球概览》停刊的那段收尾，在转写稿里根本不存在。
这是 Whisper 类模型一个有名的毛病：它会把前面已经写出的文字当成上下文，接着往下猜，一旦猜进一个句子，就可能一直绕不出来。保存下来的转写显示，这不是零星错字，而是一段持续到结尾的循环。换成「不参考前文」的模式（whisper.cpp 的 -mc 0 参数）再跑一次，重复变回 1 次，结尾回来了，词错率从 38.3% 降到 2.9%。〔3〕源
我们把同一批 24 份转写全扫了一遍，连续重复四次以上的还有两份。一份是 Brené Brown 那场 TED 末尾的掌声被写成 9 句「Thank you」，另一份是 Randy Pausch 的「最后一课」里观众真的唱了生日歌，那是对的。所以判断要分开看：重复本身不等于出错，但连着几十次的，几乎一定是模型卡住了。
如果你也用 Whisper、剪映字幕或任何基于它的工具转长录音，最省事的检查是拉到最后看一眼：结尾那几分钟的内容在不在，有没有一句话反复出现。
VidBee：最值得学的是「先找现成字幕」
VidBee 的下载靠 yt-dlp，转写用 sherpa-onnx 跑 Whisper、SenseVoice、Parakeet、Qwen3-ASR 这几种模型。它还能订阅 RSS 或 YouTube 频道，有新节目就自动加进下载队列。它有桌面版、浏览器扩展、Docker 网页版，也有不用装桌面的命令行版本，许可证是 MIT，商用没有限制。〔2〕源
读它的转写代码时，我们注意到一个顺序：下载完成后，它先看视频有没有能导入的字幕轨，有就直接用，没有才动用语音识别。它收的字幕也包括平台自动生成的那种（比如 B 站的 AI 字幕，会打上标记），只把弹幕和聊天记录挡在外面。我们借这一步时收得更紧，只要人工上传的字幕。
这一步听起来平常，效果却很实在。我们那 13 场演讲里，11 场在 YouTube 上有人工英文字幕；把我们本机的转写和这些人工字幕逐词对比，合计近四万词，加权词错率 7.1%，好的一场只有 1.3%，差的就是上面那场乔布斯。这些轨道至少不是平台标注的自动字幕，能省掉一次语音识别，而且不用下载音频；人名、引语、数字仍要回听确认。
这里有两点限定。人工字幕会删掉「嗯」「you know」和口误，所以 7.1% 量的是转写离「整理过的字幕」有多远，不是离原话有多远。另外，有些上传者会把自动字幕导出再当作普通字幕上传，看上去是人工轨，其实不是。我们现在的做法是：字幕覆盖不到视频时长的八成，或者每分钟词数明显不对，就退回本机转写。
对一般读者，VidBee 是目前比较顺手的一站式工具：贴个链接，下视频、拿字幕、在本机转文字，想要摘要和翻译再接自己的 AI 账号。要注意的是，转写在本机，接 AI 做摘要或问答时，文字会发给你选的那家服务商。〔2〕源
VoiceStudio：功能最全，但默认那个声音不能拿去赚钱
VoiceStudio 是 Electron 桌面程序，后台起一个 Python 服务，本机端口 3900，带 API，也能让 AI 助手通过 MCP 调用。功能列表很长：声音克隆、按文字描述「设计」一个声音、视频配音（转写、翻译、按时间轴重新配音）、听写、有声书批量生成。今年 4 月才建仓，半年拿了五万多颗星。〔1〕源
它在 Mac 上的门槛写得清楚。本机推理只支持 Apple Silicon，Intel 的 Mac 只能开界面、连别处的后端。首次安装连 Python 环境和模型大约要 10 GB 硬盘。默认模型在独立显卡上建议至少 6 GB 显存；Apple Silicon 使用统一内存，项目没有把这条独显下限直接套到 Mac。〔4〕源
最需要看清的是许可证，而且分两层。软件本身是 AGPL-3.0，允许个人、商业和公司内部使用；如果修改后通过网络提供给别人使用，必须向这些使用者提供完整的相应源码。另一层是模型：它默认的 OmniVoice，代码是 Apache 2.0，但预训练权重是 CC-BY-NC，模型页写明是因为训练数据的限制，不能商用。〔5〕〔6〕源
换句话说，默认预训练模型的许可明确带有 NC（非商业）限制：给自家视频配旁白可以，公司的广告、付费课程、带货视频不能用这套默认权重，除非另获许可。
它支持的其他引擎许可证各不相同，例如 IndexTTS 2.5 用的是 bilibili 自己的模型许可，对用户规模和年营收设有另行授权门槛，装之前要逐个看。〔7〕源 它和另一款本机语音工具 Voicebox 怎么取舍，论坛这一篇有对照。
还有两件事和许可证一样要紧。一是克隆谁的声音：项目自己的说明就要求先取得本人同意。2025 年加拿大反诈骗中心与网络安全中心的通报里，已经有用 AI 模仿官员声音的真实案例，声音克隆在家里也该当成需要授权的事。〔1〕〔8〕源
二是配音别人的节目：在加拿大，制作或发布作品译本属于权利人的专有权；把一场 TED 配成中文再公开，通常要先取得相应许可。〔9〕源
到底要不要装
不必两个都装。已经能在本机跑 Whisper、SenseVoice 或 Qwen3-ASR 的人，没有必要仅为了同一套转写引擎再装 VidBee；它真正省事的是界面、下载队列和字幕导入。VoiceStudio 的视频配音更完整，但默认模型的商用限制和第三方节目的版权边界都要先解决。
更值得带走的是两步：一是先取平台非自动字幕，没有才转写；二是转写出来连续五句一模一样，就换「不参考前文」的模式重跑，取重复少的那份。这套检查已经把乔布斯那份漏掉的结尾找了回来。
如果你只是想偶尔把一个视频变成文字，VidBee 装上就能用；想克隆自己的声音录个有声书，VoiceStudio 值得一试，先确认你选的那个模型许可证允许你的用途。无论用哪个，长录音转完都拉到最后看一眼。
参考资料
- debpalash/VoiceStudio ：GitHub 项目页与 README；2026 年 10 月 1 日核读功能、平台、API/MCP、星标数（约 5.1 万）与建仓日期（2026 年 4 月 9 日）。版本 v0.5.6 发布于 2026 年 9 月 23 日。
- nexmoe/VidBee ：GitHub 项目页、README 与
packages/transcription源码（coordinator.ts 先导入字幕再回退转写；captions.ts 收录平台 AI 字幕、排除弹幕与聊天）。
2026 年 10 月 1 日核读下载、转写引擎、RSS 订阅、命令行版本、MIT 许可与「AI 提示会把文字发给所选服务商」的说明。版本 v2.1.0 发布于 2026 年 8 月 30 日。 - OpenAI Whisper 转写代码 ：代码说明关闭前文上下文可减少重复循环；ggml-org/whisper.cpp ：提供
--max-context参数（-mc 0即不保留前文上下文）。
文中 38.3%、2.9%、7.1% 为我们对 13 场演讲（11 场有人工字幕，共 39,646 词）的实测，参照物是 YouTube 人工字幕，统计前统一小写并去掉标点和括号内的 [Applause] 之类标注。 - VoiceStudio 安装说明（macOS） 与
OmniVoice 引擎说明 ：Apple Silicon 要求与约 10 GB 硬盘；6 GB 显存建议值适用于独立显卡，文档没有把它直接套到 Apple Silicon。 - VoiceStudio LICENSE-NOTICE ：AGPL-3.0 的网络使用义务；说明模型权重不随软件许可。
- k2-fsa/OmniVoice 模型页 ：代码 Apache 2.0，预训练模型 CC-BY-NC，原因是训练数据（如 Emilia）的限制。
- VoiceStudio 的 IndexTTS 引擎说明 ：IndexTTS 2.5 使用 bilibili Model Use License，超过规定的用户规模或年营收门槛需另行授权。
- 加拿大网络安全中心与反诈骗中心联合通报 ：2025 年 6 月 23 日；记录冒充高管与官员的活动中使用 AI 模仿声音。
- 加拿大《著作权法》第 3 条 ：权利人的专有权包括制作、复制、表演或发布作品译本；法条页面核读时更新至 2026 年 9 月 21 日。