Mac 本地转录：录音、视频转文字
把会议录音、采访、课程视频拖进 Vocco，得到带时间戳、按说话人分好段的文字稿。转录在你的 Mac 上完成，文件不离开这台电脑。下面讲清楚能转哪些文件、导出什么格式、中英混说准不准，以及什么时候别的工具更合适。
结论：在 Vocco 的「文件转录」里拖入 MP3、WAV、M4A、MP4 或 MOV 文件，Vocco 在本机识别，自动标出说话人 1、说话人 2……每段带开始时间，可以复制全文，也可以导出 TXT 或 SRT。录音里中英文混着说，就用默认下载的 Qwen3 ASR，不用选语言。
断网也能转。只有第一次下载语音模型时必须联网，也不用注册登录。
能转哪些文件
- 音频：MP3、WAV、M4A。
- 视频：MP4、MOV，Vocco 只读取音轨。
- 一次多个：可以一次拖进一批，排队逐个转，每个文件有自己的进度条。
- 时长：免费版单个文件 15 分钟以内，不分说话人；Pro 的拖放区标注单个文件最长 4 小时。超过 3 小时的文件照常出文字，但不分说话人。
- 也可以现录：「实时转录」边说边出字，停止后 Pro 会自动补上说话人（限 90 分钟以内的录音）。录音默认一起保存，之后可以回放。
三步转完一个文件
- 安装 Vocco（不用注册登录），联网打开一次：它会在后台自动下载 Qwen3 ASR（987 MB），之后就用它。
- 打开「文件转录」，把文件拖进来，或者点「添加文件」。队列上方的引擎按钮决定这批文件用哪个引擎。
- 文件显示「已完成」后，点「查看」打开文字稿，或者直接点「导出 SRT」。在文字稿页面还可以「复制全文」「导出 TXT」。
说话人分离是 Pro 功能（新安装的前 14 天也能用），默认打开，开关在 设置 → 转录 里。
已知问题（1.0.8 仍有）：录音越长，越容易把同一个人拆成好几个说话人（一场 17.5 分钟、4 个人的会议分出了 24 个）。修复正在路上。转长会议时可以先关掉说话人分离，转得也更快。
导出的文字长什么样
TXT 里每段开头是时间和说话人，段与段之间空一行。下面是格式示意（内容是编的）：
[00:00] 说话人 1：先过一下这周的 roadmap，登录页的 bug 修完了吗？
[00:06] 说话人 2：修完了，下午发 release。SRT 用同样的分段做字幕，说话人写在每条字幕开头：
1
00:00:00,000 --> 00:00:06,000
说话人 1：先过一下这周的 roadmap，登录页的 bug 修完了吗？拿 SRT 做字幕之前要知道两点：时间只精确到秒；开着说话人分离时，同一个人连续说的话会合成一条，一条字幕可能很长。多人录音想要短一点的字幕条，可以先关掉说话人分离再转，Vocco 会改为按停顿断句。
中英混说准不准
我们在 ASCEND 公开语料的 300 句真实普通话–英文对话上测了 Vocco 的引擎。Qwen3 ASR 的混合错误率（MER）是 0.157，大约每 100 个字或词错 16 个，英文词错 29%。苹果本机识别英文词错 53%。Whisper large-v3-turbo 自动识别语种时是 0.277，语种固定为中文时是 0.373，后者就是中文界面下 Vocco 里的用法。
同为 Vocco 引擎的 Paraformer 总体是 0.170，在 62 句真正中英夹杂的句子上反而更好（0.145，Qwen3 是 0.170），两者的差距在误差范围内。录音以中文为主、偶尔夹几个英文词的话，两个都试试。
这 300 句都是短句，来自同一场两个人的对话。它能比出引擎之间谁好谁差，但不能保证你的录音也是这个错误率。测试方法和逐句结果见评测页。
Vocco、MacWhisper、通义听悟怎么选
我是 Vocco 的开发者，下面的对比请带着这个前提看。MacWhisper 的信息摘自 macwhisper.com、它的 Gumroad 页面和帮助中心，通义听悟的信息摘自它的官网和帮助中心，都是 2026 年 10 月 26 日查看的。
| Vocco | MacWhisper | 通义听悟 | |
|---|---|---|---|
| 在哪里转写 | 你的 Mac 本机 | 本机（“All transcription is done on your device”），也可以接 ElevenLabs、Deepgram 的云端引擎（出处） | 先上传文件，再在线转写（出处） |
| 文件格式 | MP3、WAV、M4A、MP4、MOV | mp3、wav、m4a、ogg、opus、mov、mp4（出处） | 音频 9 种、视频 13 种，单个最长 6 小时，一次最多 50 个 |
| 区分说话人 | Pro 有（前 14 天也能用），默认开，自动判断人数 | Pro 版才有，本地模型要 M 系列芯片 | 有，转写前选单人演讲、2 人对话或多人讨论（出处） |
| 一个文件里中英混说 | 能，Qwen3 ASR 自动识别 | 帮助中心写明不能同时转写多种语言（出处） | 转写语言可选“中英文自由说” |
| 改说话人名字 | 不能，只有编号 | 能，还能合并两个说话人（出处） | 能，还能设常用发言人 |
| 导出 | TXT、SRT、复制全文 | SRT、VTT、TXT；Pro 版另有 MD、PDF、HTML、DOCX | .doc、.srt、.pdf，可选带发言人和时间戳（出处） |
| 价格 | 免费版：文件 15 分钟以内、不分说话人；Pro 一次买断，首发 $29（至 2026 年 11 月 30 日），之后 $39；中国大陆 ¥149，之后 ¥199 | 有免费版；Pro €64 买断 | 官网有免费体验入口，收费以官网为准 |
选通义听悟：录音可以上传，想要会后自动出摘要、章节和待办，或者要给发言人填真名、在网页里改稿、发链接给同事。
选 MacWhisper：大多是单一语言的文件，想在软件里改稿、给说话人改名，想要更多导出格式、批量和文件夹监听、YouTube 链接转写，或者先用免费版。
选 Vocco：录音不能出这台电脑（客户访谈、内部评审、签了保密协议的项目），录音里中英文来回切，或者想用比 MacWhisper Pro 便宜得多的一次买断拿到说话人分离。
什么时候别用 Vocco
- 要在软件里改错字、给说话人改名。Vocco 1.0.8 还没有文字稿编辑功能，说话人只有编号。可以导出 TXT 后在别的编辑器里改，比如把“说话人 1”批量替换成名字。
- 要 VTT、Word，或精确到帧的字幕。Vocco 只导出 TXT 和 SRT，SRT 精确到秒。
- 要直接录腾讯会议、Zoom 里对方的声音。Vocco 只从麦克风等输入设备收音，录不到电脑里播放的声音。先用会议软件把录制存成文件，再拖进来。
- 要繁体中文，或者是粤语夹英文。中文只输出简体；粤英混说我们没有测过。
- 用的是 Intel Mac，或者 macOS 13 及更早。Vocco 需要 Apple 芯片和 macOS 14 及以上。
常见问题
用 Vocco 转录要联网吗？
不用。第一次下载语音模型（Qwen3 ASR 987 MB）时要联网；联网时 App 还会校验这台 Mac 的试用或授权，但不用注册登录。之后断网也能转。音频和文字不会上传。系统自带的 Apple Speech 引擎也只在本机识别：某种语言本机识别不了，Vocco 会直接报错，不会让 macOS 把音频发给苹果。
能把视频转成文字吗？
能。MP4 和 MOV 直接拖进去，Vocco 只读取其中的音轨。
一小时的录音要转多久？
在 M5 Pro 上，用 Qwen3 ASR 约 6 分钟；开着说话人分离约 11 分钟。这是我们用 1.0.5 的代码、一小时真实普通话–英文对话录音测的。CPU 核心少的 Mac 会更慢。
支持哪些语言？
Vocco 针对普通话和英文开发和测试，包括一句话里两种语言混着说。中文只输出简体。日语、韩语、法语只做过单语抽查（FLEURS 每种 60 句），其他语言没有评测，建议先用试用期测一下自己的录音。
能导出 Word 吗？
不能。Vocco 导出 TXT 和 SRT，也可以一键复制全文，粘到 Word 或飞书文档里。
转出来的文字存在哪里？
存在本机的 ~/Library/Application Support/Vocco/Records 里，可以按标题或内容搜索。源文件不会被复制，Vocco 只记住它的位置，原文件还在就能回放。
14 天到期后，以前转的稿子还能用吗？
能。到期后自动转成免费版，还能接着转 15 分钟以内的文件（不分说话人），已有的记录照样可以查看、复制和导出。
本页怎么写的：文件格式、导出格式、时长限制和设置项来自 Vocco 1.0.5 的代码；耗时和说话人数来自我们 2026 年 10 月 26–27 日对这份代码的实测；准确率来自我们公开的评测；MacWhisper 和通义听悟的信息摘自它们 2026 年 10 月 26 日的官方页面。初稿由 AI 辅助撰写，并对照上述来源逐条核对。