30秒速读
录音转文字最怕两件事：音频要上传云端，以及装一堆工具链。wavo 走的是另一条路：纯 Rust 实现的本地语音转文字工具，支持 Parakeet、GigaAM 和 Whisper 模型，能在本地用 GPU 或 Apple Silicon Neural Engine 处理长录音，输出纯文本、带词级时间的 JSON 或 SRT 字幕。一句话判断：能接受本地下载模型、且运行环境有 GPU 或 Apple Silicon 能力时优先验证它；要现成的多租户云服务时，它不是那个选项。
项目信息
| 项目名 | wavo |
| 类型 | 开源本地语音转文字工具 |
| 实现语言 | 纯 Rust |
| 支持模型 | Parakeet、GigaAM、Whisper（模型来自 transcribe.cpp 发布） |
| 输入格式 | WAV、MP3、M4A、FLAC、Ogg Vorbis，工具负责重采样 |
| 输出格式 | 纯文本、含词级起始时间的 JSON、SRT 字幕 |
| 硬件后端 | Metal、Vulkan、无 Vulkan 时可用 DX12；部分模型支持 Apple Silicon Neural Engine |
| 源码地址 | GitHub 仓库（见文末按钮） |
它解决了什么
wavo 同时提供库、命令行工具和本地服务三种形态。命令行支持 pull、list 和 rm 模型管理，模型缓存可以与 Hugging Face 的 hf 工具共享。长录音可以按停顿拆分后再合并，调用方不用自己写分段逻辑。wavo serve 还能为应用提供面向 OpenAI 转录 API 的本地服务，已经有兼容该接口的应用可以直接把请求指向本地，不用改太多调用代码。纯 Rust 的好处是安装前置要求少，不需要先装 CMake、C++ 工具链、Python 或 ONNX Runtime。
上手指南
- 先确认运行环境：操作系统、显卡后端和 Apple Silicon 条件是否符合 README 的说明，Metal、Vulkan、DX12 和 Neural Engine 的可用性都取决于具体硬件和系统。
- 用 wavo pull 拉取需要的模型，并固定模型名称；模型要单独下载并占用本地磁盘，正式使用前先预留好缓存空间。
- 先拿一段几分钟的录音试转，核对输出格式：要字幕就选 SRT，要做二次处理就选带词级时间的 JSON。
- 长录音直接交给工具处理分段和合并，不要自己先切成一堆小文件，合并处的断句更容易出问题。
- 需要给已有应用接本地转写时，再评估 wavo serve；生产级多用户场景要自己补进程管理、日志、访问控制和资源隔离，这些不在工具默认承诺里。
明确取舍：适合谁，不适合谁
适合：需要离线转写、字幕生成、语音备忘录处理或本地语音识别接口的 Rust 开发者和命令行用户；重视数据不出本机、希望把转写能力嵌进自己应用的人。
不适合：要求严格云端治理、多租户隔离、成熟企业运维功能，或者运行环境只有普通 CPU 且对回退行为有硬性要求的场景；这些都需要先看源码专项验证，不能直接假设。
注意事项与常见问题
模型怎么选？不同模型支持的语言和输出格式不同，选之前必须核对 README 的模型列表。大致分工是：Parakeet 面向英语或部分欧洲语言，GigaAM 面向俄语，Whisper 覆盖更广泛的语言。语言选错模型，转写质量会系统性变差。
没有 GPU 能用吗？公开说明没有把 CPU 回退能力、资源上限和异常音频处理边界讲清楚。只在 CPU 环境使用时，先实测目标机型和目标音频，确认速度和结果可用再铺开。
模型会自动更新吗？公开资料没有说明统一的模型自动更新策略。建议固定模型版本做回归验证，升级 Rust 依赖、模型文件或图形后端后，重新验证转写结果和字幕时间戳。
能直接当生产服务用吗？wavo serve 提供的是本地服务接口，并发、鉴权与运维能力需要自己评估和补齐。长期运行还要考虑模型缓存、音频处理所需的磁盘和内存，以及升级时的兼容性检查。
获取方式
GitHub 国内访问较慢，如打不开可多刷新几次
关注「软件教程管家」
回复软件名即取即下：网盘下载链接 + 提取码，一步直达，不用再跳转。
本站资源仅供个人学习交流，请勿用于商业用途。软件与资料版权归原作者所有；如有侵权，请通过公众号「软件教程管家」联系我们，我们将在 24 小时内下架处理。查看免责声明 ›
