阿牛字幕 + FunASR = 九年前的 CPU 也能实现语音转文字自由
不挑电脑，不上云，不花钱。九年前的老 iMac，10 分钟视频 35 秒出字幕。
提到语音转文字，很多人的第一反应是：这得有张好显卡吧？
其实不用。今天用一台九年前的老电脑，把这件事说清楚。
先上数据：九年前的 iMac，跑出 17 倍速
我手头这台测试机，是 2017 年的 iMac（i5-7500，24G 内存）。放在 2026 年，妥妥的老爷机——独立显卡是有的，但帮不上语音识别的忙，转写全程只用 CPU。
就是这台机器，实测数据如下（倍速 = 视频时长 / 处理耗时，越高越快）：
| 测试项目 | 结果 |
|---|---|
| 10 分钟口播视频 | 35 秒出字幕，约 17 倍速 |
| 两小时电影 | 8 分钟转写完成，约 15 倍速 |
| 多个长短不一的视频批量排队 | 平均 10 倍速 |
10 分钟的视频，泡杯茶的功夫字幕就出来了；两小时的电影才看到片头，字幕已经躺在列表里。
光有 FunASR 自己的成绩还不够，得找个参照物。同样的视频，用 Whisper (turbo) 在同一批机器上再跑一遍：
| 主机配置 | FunASR (Paraformer) | Whisper (turbo) |
|---|---|---|
| 2012 年 T520 i5-2520M 8G | 3X | 跑不起来 |
| 2017 年 iMac i5-7500 24G | 17X | 0.3X |
| 2026 年 Mac mini M4 16G (Rosetta) | 19X | 未测试 |
0.3X 是什么概念？15 分钟的视频，等了 45 分钟还没转完。而 FunASR 在这台机器上是 17 倍速——差距接近 51 倍。连 2012 年的古董笔记本，FunASR 都能跑到 3 倍速：视频 10 分钟，字幕 3 分钟。
这三条结论都是硬指标：全程纯 CPU、本地完成，不上传、不排队、不收钱。 唯一的一次性等待，是首次使用时下载模型（十多分钟），之后每次转写都是全速。
九年前的 CPU，也实现了语音转文字自由。
为什么这么快？引擎选对了
阿牛字幕快，不是优化硬凑出来的，而是从第一天起就选对了引擎——阿里达摩院开源的 FunASR。
FunASR 是工业级语音识别工具箱，GitHub 星标上万，中文语音识别开源项目里的顶流，大量商业产品用的都是它。它快，根源在模型架构：
- Whisper 这类传统模型是自回归架构：一个字一个字地猜，猜完第一个才能猜第二个，像抄课文，抄一个字看一眼
- FunASR 的极速模型是非自回归架构：整句话的所有字，一次性并行解码出来，像拍了张照，整页内容全出来了
架构的差距是写在引擎里的，不靠堆硬件弥补。所以九年前的 CPU 也能跑出十几倍速——这不是阿牛字幕厉害，是地基打得好。
认识 FunASR 的两个极速模型
阿牛字幕内置了 FunASR 的两个"极速"模型，覆盖绝大多数场景：
| 模型 | 语种 | 特点 |
|---|---|---|
| Paraformer-zh | 中粤英 | 高精度时间戳，逐字对齐利器 |
| SenseVoiceSmall | 中粤英日韩 | 小而快，多语种首选 |
- Paraformer-zh：剪视频首选。时间戳精准到每个字，选中句子导出成片时，剪切点严丝合缝，不会掐头去尾。
- SenseVoiceSmall：模型更小、速度更快，中粤英日韩五语种通吃。素材里有外语？交给他。
两个模型都能按需开启标点恢复和说话人分离——转出来就是断好句、点好标、分清"谁说了什么"的字幕。用哪个都行，反正都够快：上面的 17 倍速，就是这两个模型在这台九年前的 iMac 上跑出来的。
能用来干什么？
- 口播博主：录完拖进去，几十秒出字幕；扫一眼，把"嗯、啊、然后、那个"划掉，一键导出成片。剪口播变成选句子。
- 课程讲师：几小时的课程录像批量扔进去，排队转写，逐字稿和字幕一次搞定。
- 访谈主播：开启说话人分离，谁说了什么一目了然，精彩片段点选导出。
- 会议记录：录音拖进去直接转文字，导出 TXT，会后整理省一半时间。
- 老电脑用户：不用换电脑、不用买显卡、不用装 Python 和 ffmpeg，一切随包内置，下载即用。
选好的句子导出成片，想要精修？还能导出时间线 XML，进 Final Cut Pro、Premiere、达芬奇、剪映接着剪。
写在最后
语音转文字这件事，不该被显卡和云服务会员卡住。阿牛字幕把达摩院的 FunASR 装进了每个人都能用的桌面软件里——九年前的电脑也好，最新的 Mac 也好，拖进视频，字幕就出来了。
免费使用，本地运行，下载即用。
👉 官网下载：https://thinking.vip/a-niu
阿牛字幕 快速生成字幕，选文字剪口播
