会议笔记真正难的是事后找不回来：记了要点没记决策，录了音三个月后不知道在哪。本地版的好处是录音不出机器。链路四段：录音、转写、结构化、可检索，每一段都能自己搭。

📜 目录

• 一、链路四段
• 二、录音：必须录系统输出
• 三、转写：faster-whisper 起手
• 四、结构化：模板比模型重要
• 五、存档与检索
• 六、好笔记的字段
• 七、隐私与合规
• 常见问题
• 相关文章

AI笔记助手：会议讲座自动记笔记的本地版

会议笔记真正难的是事后找不回来：记了要点没记决策，录了音三个月后不知道存在哪。本地版整条链路跑在自己机器上，录音不外传，缺点是首次搭建要花一两个小时。

一、链路四段

二、录音：必须录系统输出

线上会议的关键是录对方的音频，只开麦克风只能录到自己说话。

• Windows：WASAPI 回环，soundcard 库可以直接拿到扬声器输出
• macOS：装 BlackHole 虚拟声卡，再配置多输出设备
• Linux：PulseAudio 的 monitor source

线下会议用手机录音或领夹麦，采样率 16kHz 单声道就够转写用，文件还小。

三、转写：faster-whisper 起手

from faster_whisper import WhisperModel

model = WhisperModel("large-v3", device="cuda", compute_type="float16")
# 没有独显：device="cpu", compute_type="int8"，速度慢3到10倍

segments, info = model.transcribe(
    "meeting.m4a",
    language="zh",
    vad_filter=True,
    beam_size=5,
    initial_prompt="以下是普通话会议记录，涉及产品、预算、排期、交付。",
)
for s in segments:
    print(f"[{s.start:.1f}] {s.text}")

initial_prompt 这一项最容易被忽略，效果也最直接。专有名词错一次，后面结构化就跟着错。

四、结构化：模板比模型重要

让模型按固定字段输出 JSON，字段少而硬，比"帮我总结一下"稳定得多。

import json, ollama

PROMPT = '''你是会议记录员。只根据下面的转写文本输出JSON，不得推断文本中没有的内容。
{
  "summary": "三句话以内",
  "decisions": [{"text": "", "ts": "12:30"}],
  "actions": [{"task": "", "owner": "", "due": "", "ts": ""}],
  "open_questions": [""],
  "risks": [""]
}
转写文本：
'''

r = ollama.chat(model="qwen3:14b", format="json",
                messages=[{"role": "user", "content": PROMPT + transcript}])
notes = json.loads(r["message"]["content"])

要求每条结论带时间戳，作用是能回听核对。没有时间戳的摘要，出错时无法定位。

五、存档与检索

一次会议一个 Markdown 文件，命名带日期和主题：2026-11-11-产品评审.md。文件头放元信息：

---
date: 2026-11-11
attendees: 张三, 李四
project: checkout
tags: [评审, 排期]
---

检索先用 ripgrep，量大了再上 Khoj 或 meilisearch。三个月后想找"当时谁说预算不够"，一条 grep 就能定位到会议和时间点。

六、好笔记的字段

七、隐私与合规

本地处理意味着录音、转写、结构化都在本机，只有你主动同步才会离开。但要注意两点：录音前告知参会人，部分地区要求全体同意；公司设备上的录音可能受内部规定约束。

常见问题

Q：中文识别准不准？ A：large-v3 在普通话会议录音上表现明显好于 small 和 medium。方言重、口音杂时准确率下滑，用 initial_prompt 补领域词能救回一部分。

Q：多人会议能区分说话人吗？ A：可以，pyannote.audio 做分离，需要 HuggingFace token 并接受模型条款。两人同时说话时分离会错，重要会议仍需人工校对。

Q：能实时出字幕吗？ A：能。按30秒切片转写，延迟几秒。实时用 small 模型，会后用 large-v3 重跑一遍留档。

Q：模型会不会编造待办？ A：会。两条约束：提示词写明"不得推断"，每条待办必须附时间戳，人工抽查几条就能发现。

注：模型名称与推理参数随版本变化，以 faster-whisper 与 Ollama 官方文档为准。

相关文章

• 免费AI转写：Whisper、faster-whisper、WhisperX、FunASR横评
• Whisper语音转文字：本地免费录音转写方案
• 2026年AI解析PDF横评：MinerU、Marker、Docling谁最强