阿飞字幕 (afei) — 基于 Apple Silicon 的离线语音转字幕工具

萝卜2026-07-20
afei

缘起：为什么要做这个工具

在视频制作、播客整理、会议记录等场景中，语音转文字几乎是每个人的刚需。市面上的方案各有各的局限：

  • 在线 API（如 Whisper、讯飞）：按分钟计费，音频文件要上传云端，有隐私风险
  • Whisper.cpp / 本地跑模型：虽能离线使用，但在 Apple Silicon 上未能充分利用神经网络引擎（ANE），速度不够理想
  • macOS 内置听写：功能有限，不支持批量处理，也不支持字幕格式导出

于是 阿飞字幕 诞生了——一款完全离线、基于 Apple Silicon 神经网络引擎的语音转字幕工具，充分利用 M 系列芯片（M1/M2/M3/M4）的 CoreML 加速能力，在 M4 芯片上转写速度可达实时的 270 倍。

它能做什么

你只需要提供一个音视频文件（MP3、WAV、M4A、MP4、MOV 等常见格式均可），阿飞就能在本地完成识别，支持三种输出模式：

模式 说明 输出文件 适用场景
文本 完整的拼接文本 .txt 会议纪要、内容检索
字幕 带时间轴的字幕 .srt 视频加字幕、双语压制
逐字时间戳 每个字的精确时间 .words.json 数据分析、FunASR 兼容

三种模式在后端使用了不同的 ASR 模型：文本模式使用 SenseVoice，字幕和逐字时间戳模式使用 Paraformer（具备时间戳预测能力）。

两大使用方式

🖥️ Mac App（图形界面）

阿飞字幕主界面

拖拽文件到窗口中即可开始转写，界面如下：

  • 模型状态条：顶部彩色圆点直观显示模型加载状态（灰色=未加载，蓝色=加载中，绿色=就绪，红色=错误）
  • 拖拽区域：支持拖放文件，也可点击选择文件。虚框悬停高亮，反馈清晰
  • 模式切换：胶囊式按钮在「文本/字幕/逐字时间戳」间自由切换
  • 进度与结果：转写中实时显示百分比进度条；完成后在绿色卡片上展示文件名、时长、耗时、倍速
  • 最近文件：历史记录列表清晰呈现每一次转写的详细信息
  • 版本检查：自动检测新版本，提示用户更新

⌨️ 命令行（CLI）

适合自动化脚本和批量处理：

afei transcribe 演讲.mp3 --mode srt       # 生成字幕
afei transcribe 会议.m4a --mode text -y    # 生成文本，覆盖已有文件
afei transcribe 访谈.wav --mode words      # 生成逐字时间戳

进度条实时显示转写进度，完成后自动将结果文件放到源文件旁。

速度到底有多快？

CLI 转写效果

在 Apple M4 芯片上，转写速度可达实时的 270 倍。拖入文件到拿到结果，几乎不需要等待。

注意：第一次下载模型会需要三五分钟，后续加载只需 0.1s 左右。

核心技术架构

┌─────────────────────────────────────┐
│        Mac App (SwiftUI)           │  ← 拖拽、进度、结果展示
├─────────────────────────────────────┤
│        CLI (终端)                   │  ← 命令行、自动化
├─────────────────────────────────────┤
│        afeiCore (核心逻辑)          │  ← 编排/模型/输出
├─────────────────────────────────────┤
│        FluidAudio (引擎库)          │  ← VAD / ASR / 音频处理
├─────────────────────────────────────┤
│        CoreML / 神经网络引擎        │  ← M 芯片 ANE 加速
└─────────────────────────────────────┘

设计亮点：

1. 按模式懒加载，启动即用

用户选择「文本」模式时，只加载 VAD + SenseVoice（约 790MB）；切换为「字幕」模式时，再下载加载 VAD + Paraformer（约 630MB）。不会在启动时加载所有模型，显著缩短首次进入时间。

2. 智能镜像测速

启动时自动检测 huggingface.co 和 hf-mirror.com（国内镜像）的首字节延迟，自动选择更快的源下载模型，在国内外网络环境都能获得最佳下载体验。

3. 全内存处理，不落盘

音频重采样为 16kHz 单声道 Float 格式全程在内存中完成，无需写入临时文件，既省磁盘 I/O 又保护隐私。

4. 智能字幕聚合

Paraformer 输出逐字时间戳后，聚合为字幕 cue 时遵循最长 7s 或 40 字断句、优先断在标点后的规则。英文单词间自动补充空格（Paraformer 本身不吐出空格 token）。

5. 进度按语音时间计算

进度 = 已处理语音段时间 ÷ 语音段总时间，静音段不计入进度，进度条真实反映有效工作量。

6. MVVM 分层架构

SwiftUI 视图（ContentView）不包含业务逻辑，由 AppModel（ViewModel）持有状态并调度 Orchestrator（业务层）进行转写。代码清晰、可测试、可复用——CLI 和 GUI 共用同一套 afeiCore 代码。

隐私至上

  • 完全离线：所有模型下载后，之后的每次使用都不需要网络
  • 不上传音频：音频文件只在本地处理，绝不离开你的电脑

适用场景

  • 🎬 视频创作者：快速为视频生成字幕，支持 SRT 格式直接拖入剪辑软件
  • 🎙️ 播客制作：将访谈逐字稿转成文本或字幕
  • 📝 会议记录：录音文件转文字，方便存档和检索
  • 📚 学习研究：网课/讲座录音转笔记
  • 🔧 开发者：CLI 模式可集成到自动化工作流中批量处理

开源与技术栈

项目基于 Swift 6.0，兼容 macOS 14+，借助 CoreML 调用 M 系列芯片的神经网络引擎获得极致性能。底层依赖 FluidAudio 引擎库，使用 Silero VAD 做语音活动检测，SenseVoice / Paraformer 做语音识别。

快速上手

  1. 到 thinking.vip/afei 页面下载
  2. 打开软件，拖入音视频文件
  3. 选择输出模式（文本/字幕/逐字时间戳）
  4. 几秒钟后，在源文件同目录下获取结果文件

或使用 CLI：

afei transcribe 视频.mp4 --mode srt

写在最后

阿飞字幕是一个专注于「在 Apple Silicon 上获得极致离线语音识别体验」的作品。它不联网、不收费、不需要复杂的配置——打开即用，瞬间完成。如果你和我一样，经常和音视频、字幕、逐字稿打交道，希望这个工具能让你的工作流程更高效。

阿飞字幕 v0.2.0 · 使用 ❤️ 和 Swift 构建

2026-07-20 15:53:2516 次阅读