律所自建转写怎么选：四套开源方案，和真正决定取舍的三道关

2026-10-23 约 28 分钟阅读

四十小时客户访谈、周五的期限，加一条所规：客户录音不出门。所有云转写服务在第一句就被判出局，合伙人要的是能在本机跑、能分清谁在说话、还能扛住人工复核的方案。

💡 你将学到

📜 目录

三个真正决定选择的约束
四个方案和可查的数字
第一关：封闭性，包括模型权重
第二关：说话人分离
第三关：硬件够不够
一条能跑的流程
买还是自建：分界线在复核工时
站内相关

一家十二人的诉讼小所里，律师助理手上有四十小时客户访谈录音，周五要交活，而所里的规矩只有一句：客户录音不出门。合伙人要的不是工具评测，是一个答案——能不能在周五之前，用所里自己的机器把这些录音变成能用的文字，以及要花多少硬件和小时。

这才是这类采购的真实形态，也是「最佳AI转写工具」清单在这里没用的原因。处理保密材料的律所真正要判断的是三件事：整个流程能不能断网跑，包括模型权重；输出能不能分清谁在说话；以及复核成本有多高。四个开源方案在这三点上答案不同，而且这些差异是可以查证的。

三个真正决定选择的约束

封闭性：拔掉网线之后整条链路能不能跑，包括模型权重的下载环节。
说话人归属：输出能不能区分提问者和受访者，还是给你一大段没有标注的文字，让人只能重听。
复核成本：机器转写只是草稿，真正贵的是人工核对人名、日期、金额和原话；有词级时间戳的方案，这一步会便宜很多。

准确率排行榜不衡量这三项，所以要按这三项决策，而不是按榜单。

四个方案和可查的数字

faster-whisper（PyPI 1.2.1，MIT，约 2.6 万星）是 Whisper 的 CTranslate2 实现，适合对一整个录音文件夹跑批处理。whisper.cpp（release v1.9.5，2026-10-06，MIT，约 5.45 万星）是 C/C++ 实现，带 GGML 量化，没有显卡也能跑。WhisperX（PyPI 3.8.6，BSD-2，约 2.48 万星）在 Whisper 之上加了强制对齐和说话人分离，注意它要求 Python 3.10 到 3.13，用最新解释器的团队会在安装阶段就撞墙。pyannote-audio（MIT，约 1.07 万星）专门做「谁在什么时候说话」。

第一关：封闭性，包括模型权重

容易漏的是权重。faster-whisper 首次使用会从 Hugging Face Hub 下载模型，断网机器上第一次转写就会失败。正确做法是在联网机器上先把模型拉下来，把缓存目录拷到离网机器，再用 HF_HOME 指向它。许可证也要看文件本体而不是仓库徽章：faster-whisper、whisper.cpp 是 MIT，WhisperX 是 BSD-2，而常被一起收进「全自建栈」的 MinerU 用的是 Apache-2.0 加附加条款，白纸黑字写在 LICENSE 开头。

第二关：说话人分离

Whisper 系模型只给文字和时点，不告诉你是谁说的。两个人访谈听起来还好，真要把「谁承认了什么」从一大段连续文字里拆出来，就知道这一步不能省。WhisperX 通过 pyannote 模型做分离，装的过程有个容易卡住的步骤：需要 Hugging Face 访问令牌，并先在模型页面接受使用协议，否则分离跑不起来。这是文档写明的行为，不是 bug。

分离质量取决于录音质量。会议室一支麦克风收四个人，输出里 SPEAKER_00 和 SPEAKER_01 会句内互换，需要人工合并。很多「AI 还不行」的结论，其实是录音条件的问题。

第三关：硬件够不够

Whisper large-v3 约 15.5 亿参数，fp16 权重约 3.1 GB，int8 约 1.55 GB，还没算激活和推理开销。这意味着消费级显卡跑得动，CPU 服务器用 int8 也能在夜里跑批。转写是批处理任务，所以最省钱的做法常常是「晚上八点跑到早上六点」，而不是加一张卡。

吞吐要自己测。WhisperX 项目文档写的 70 倍实时是在合适硬件上的上限，faster-whisper 的批处理管线是接近这个上限的实用做法。稳妥的方式是拿自己一小时录音跑一遍计时，再乘上总时长——四十小时到底是三十五分钟的活还是四小时的活，这个数字决定你敢不敢答应周五。

一条能跑的流程

用 BatchedInferencePipeline 开批处理（批处理模式下 VAD 默认开启，静音段不浪费算力），打开词级时间戳，并且在每份输出里写入音频哈希和模型版本。哈希是回答「这份是不是三月份转过的那份录音」的唯一可靠依据，文件名会被人改，哈希不会。另外要记住：换模型重跑会得到不同的词，所以版本必须留痕。

复核环节有几条底线：机器输出只能算草稿，人名、金额、日期和引号里的原话是语音识别最容易错的地方，恰好也是摘要里最要紧的字；对外传阅前在副本上做去标识，不要动原件；留存策略要管音频而不只是文字，删了转写却留着录音等于什么都没解决。