会议录音转文字：在 Mac 上区分说话人
开完会，把录音拖进 Vocco，文字稿会按说话人分好段，每段带时间。说话人分离和语音识别都在你的 Mac 上运行，录音不用上传到任何服务器。
结论：会后整理，把录音或视频拖进 Vocco 的「文件转录」。Vocco 先分出谁在什么时候说话，再一段一段转写，得到“说话人 1、说话人 2……”加时间的文字稿，可以导出 TXT 或 SRT。现场记录，用「实时转录」边录边出字，按停止后自动补上说话人。
分说话人用的两个模型一共约 45 MB，随 App 自带，第一次打开就能用，断网也能用。
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，修复正在路上。开长会时，可以先关掉说话人分离，拿到不分人的文字稿。
会后：把录音拖进来
- 联网打开一次 Vocco，它会在后台自动下载 Qwen3 ASR（987 MB）。中英夹杂的会议也不用选语言。
- 打开「文件转录」，拖入录音（MP3、WAV、M4A）或录屏（MP4、MOV）。一次可以拖多个，排队逐个转。
- 显示「已完成」后点「查看」。每段前面是说话人和开始时间。点「导出 TXT」得到
[00:12] 说话人 1：……这样的纯文本，可以直接贴进会议纪要。
说话人分离是 Pro 功能，新安装的前 14 天也能用；免费版转出的稿子不分说话人。它默认打开，开关在 设置 → 转录。只检测到一个人说话时，Vocco 不标说话人，按普通文字稿输出。
现场：边开会边转写
- 在「实时转录」里选好麦克风，点「开始转录」。中途可以暂停、继续。
- 录的时候不显示说话人。按停止后，Vocco 用整场录音补一遍说话人标签，只对 5 秒到 90 分钟之间的录音生效，更长的会只出文字。
- 录音默认一起保存（约 20 MB/小时），之后可以在文字稿页面回放。
线上会议怎么办
Vocco 目前（1.0.8）只从麦克风这类输入设备收音，录不到电脑里播放的声音。腾讯会议、Zoom、飞书会议这类线上会，想要双方的声音都完整，先用会议软件自带的录制功能存成音视频文件，会后再拖进 Vocco 转写。
说话人是怎么分出来的
- 找出发言段：分段模型 pyannote segmentation 3.0（6 MB）标出哪里有人说话、哪里换了人。
- 算声纹：声纹模型 3D-Speaker ERes2Net（39 MB）给每一段算出一个代表音色的向量。
- 归到人：向量相近的段归为同一个人。不用提前告诉它有几个人，由一个距离阈值决定在哪里分开。阈值设为 0.9，是用一段 57 秒、四个人说话的真人录音测出来的；录音一长，这个阈值就分得太碎（见下面「哪里会出错」）。
- 逐段转写：再把每个人的每一段交给语音引擎。先分人、后转写，一个人的话不会串到另一个人那一行里。
同一个人前后两段如果间隔不到 1.2 秒，会合并成一段。说话人按第一次开口的顺序编号。两个模型都通过 sherpa-onnx 在 CPU 上运行。
和通义听悟、飞书妙记比
我是 Vocco 的开发者，下面的对比请带着这个前提看。通义听悟的信息摘自它的帮助中心，飞书妙记的信息摘自飞书官网的妙记介绍文章，都是 2026 年 10 月 26 日查看的。
| Vocco | 通义听悟 | 飞书妙记 | |
|---|---|---|---|
| 在哪里转写 | 你的 Mac 本机 | 上传后在线转写（出处） | 上传到飞书后转写（出处） |
| 断网能用吗 | 能 | 不能 | 不能 |
| 说话人人数 | 自动估计，不能手动指定 | 转写前选单人演讲、2 人对话或多人讨论（出处） | 自动区分，支持声纹识别 |
| 改说话人名字 | 不能，只有编号 | 能，还能设常用发言人 | 介绍文章里没提到 |
| 中英混说 | Qwen3 ASR 自动识别（评测） | 转写语言可选“中英文自由说” | 文章写“能听懂中英文混说” |
| 导出 | TXT、SRT | .doc、.srt、.pdf，可选带发言人和时间戳（出处） | 飞书文档、TXT、SRT，可选带说话人和时间戳 |
| 会后摘要、待办 | 没有 | 有：全文概要、章节速览、发言总结、待办（出处） | 有：AI 纪要、待办 |
| 多人协作 | 没有 | 分享链接 | 评论、@同事、分享链接 |
用云端工具更合适的情况：会后想直接拿到摘要和待办；团队要在同一份稿子上评论、分工；要给发言人填真名、只看某个人的发言。这些 Vocco 都还没有。
用 Vocco 的理由：录音不能离开这台电脑，比如客户访谈、内部评审、签了保密协议的项目；或者常在没网的地方开会；或者会上中英文来回切。
哪里会出错
- 长录音说话人分多了（1.0.8 仍有的已知问题）：录音越长，同一个人越容易被拆成好几个编号。我们 2026 年 10 月 27 日测过：上面那段 57 秒的四人录音分出 4 个人，是对的；一场 17.5 分钟、4 个人的英文会议（AMI ES2004a）分出 24 个；一小时、4 个人的录音分出 39 个。修复正在路上，在那之前，开长会请先在 设置 → 转录 里关掉说话人分离。
- 两个人同时说话：文字稿通常只跟上其中一个人。
- 很短的插话：一声“嗯”“对”可能被并进旁边那个人的段落。
- 声音很像：两个人音色接近，可能被当成同一个人。同一家语音合成（TTS）的声音尤其容易合并，测试请用真人录音。
- 整句被翻译：中英混说时，Qwen3 ASR 偶尔会把一整句直接输出成英文译文。
- 字幕条偏长：开着说话人分离时，一个人连续说的话会合成一条，导出的 SRT 每条可能很长，时间也只精确到秒。
常见问题
要先告诉它有几个人吗？
不用，也暂时不能手动指定。Vocco 把声纹相近的片段归为同一个人，自动估计人数。阈值是用一段 57 秒、四个人说话的实录调的（sherpa-onnx 提供），这段分出来是 4 个人。但录音一长，现在的版本容易把同一个人拆成好几个：一场 17.5 分钟、4 个人的会议分出了 24 个说话人。修复正在路上；开长会时可以先在 设置 → 转录 里关掉说话人分离。另外，两个人声音很像时，也可能被并成一个人。
会议录音会上传吗？
不会。说话人分离和转写都在 Mac 本机完成，Vocco 没有接收音频的服务器。用系统自带的 Apple Speech 引擎时，Vocco 也只让 macOS 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。
能直接录腾讯会议、Zoom 吗？
Vocco 目前（1.0.8）只能从麦克风等输入设备收音，录不到电脑里播放的对方声音。线上会议请用会议软件自己的录制功能存成音视频文件，会后拖进 Vocco。
能把“说话人 1”改成真名吗？
App 里还不能改。可以导出 TXT，在文本编辑器里把“说话人 1”批量替换成名字。
中英文夹杂的会议准吗？
用默认的 Qwen3 ASR。在 300 句真实普通话–英文对话的评测里，它的混合错误率是 0.157，约每 100 个字或词错 16 个，英文词错 29%。它偶尔会把一整句混说直接翻译成英文，300 句里出现过 2 次。
多长的会议可以转？
文件转录的拖放区标注单个最长 4 小时，超过 3 小时的文件只出文字、不分说话人。现场用「实时转录」时，停止后补标说话人只对 90 分钟以内的录音生效。转得多快：在 M5 Pro 上，一小时录音开着说话人分离约 11 分钟，关掉约 6 分钟；CPU 核心少的 Mac 会更慢。
本页怎么写的：模型名称、大小、阈值和时长限制来自 Vocco 1.0.5 的代码；说话人数和耗时来自我们 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；通义听悟和飞书妙记的信息摘自它们 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。