放弃按分钟收费的 SaaS 后，我把 M 芯片 Mac 变成了离线语音转录工作站

前阵子帮一个客户做几个长达两小时的深度访谈复盘，对方千叮咛万嘱咐：“录音涉及内部机密，绝对不能传到任何公有云或者第三方 SaaS 上。”

这直接把我平常用惯的各种在线转录工具（某飞、某度、甚至是直接调 OpenAI 的 API）给全 Pass 了。

为了搞定这几个 G 的录音文件，我开始疯狂折腾本地部署方案。最开始试了常规的 faster-whisper，结果发现它在 Mac 上根本没法有效调用 GPU，只能用 CPU 死扛，风扇狂转，速度慢得让人想砸键盘。

后来在翻阅 Apple 开发者文档时，我注意到了苹果原生的机器学习框架 MLX。M 芯片那恐怖的统一内存架构，简直就是为了跑大模型量身定制的。为什么还要花冤枉钱去买按分钟计费的 API？

踩了无数个坑（包括环境配置、模型转换、打包编译 C++ 依赖）之后，我终于在 Mac 上搞定了一套极其顺手的全离线桌面端方案。它不仅用 MLX-Whisper 把英文和多语种转录速度拉满了，我还特意针对中文场景，硬塞进去了阿里开源的 Paraformer 高精度引擎，甚至顺手把“声纹识别（区分不同发言人）”也给做进去了。

实际跑下来的体验只有两个字：极其解压。

把一个 2 小时的会议 M4A 音频直接拖进去，断网状态下，M2 芯片的 GPU 瞬间拉满，几分钟就能输出带发言人标记的完整文字稿。而且因为是 100% 离线运行，所有的音频文件和文字数据都死死锁在本地硬盘里，客户那边的隐私合规要求完美通过。

如果你现在还在每个月为各种转写工具交大几十块的订阅费，或者像我一样接了对数据隐私要求极高的活儿，真的建议把你桌面上那台 M 芯片 Mac 的性能榨干。顺便提一嘴，后来我把这套自己用的本地内核打包成了一个开箱即用的工具，整理放在了 freeaudiototext.com 上，里面有详细的 Mac 离线版介绍。如果你不想自己从头折腾终端代码和各种报错环境，可以直接去拿来用。

别再给那些只套了个壳的 API 倒卖商交智商税了，你的 Mac 本身就是一个性能怪兽，用起来。