Earshot 推出 Mac 端本地实时转录工具，可区分不同说话人

下载 Mac 版 Earshot · 需要 macOS 26 或更高版本、Apple 芯片 Windows 版 Earshot：x64 · Arm64 · Windows 10 或 11，仅支持通话结束后转写（详见说明） 在 Mac 上对任意 App 进行设备端转写，可实时进行，也可在通话结束后进行，并且能区分每一个声音。

从菜单栏选择一个 App（Teams、Zoom、Chrome、Discord……），它播放的所有声音都会被转写，既可以在通话结束后转写，也可以在说话的同时实时转写。不经过云端，也没有机器人加入通话：音频始终不会离开这台 Mac。

一键操作。菜单栏会列出当前正在播放声音的 App，点击其中一个即可开始。

通话结束后转写，或实时转写。默认情况下，通话期间只保存声音：不运行模型，因此 Mac 保持低温，通话结束后才写出转写文本。排队等待转写的任务也会在另一段录音进行时暂缓。在菜单中切换到「实时」，即可在通话前或通话中看到文字随说话实时出现：通话中途切换会保持同一个会话，而未能实时转写的部分会在结束时从音频中补写。

区分每一个声音。通话结束后，Earshot 会在神经网络引擎上判断谁在什么时候说话。如果能识别到 Teams 中的名字，就会为对应的发言行标注这些名字；否则标注为「Speaker 1」「Speaker 2」……点击某个名字，即可在整个会话中重命名该说话人；给两个说话人起相同的名字即可将它们合并。

每次通话后生成摘要。转写文本写好后，Apple 的设备端模型（Apple Intelligence）会用通话所用的语言写一份简短摘要：内容是什么、关键要点、做出的决定以及谁负责什么。摘要显示在转写文本上方，并作为 Summary.txt 保存在其旁边。「Summarize again」会重写摘要；可在「设置」中关闭此功能。较长的课程会分块读取，然后再合并笔记。

文件也可以。 「Transcribe a file…」（或将文件拖放到资料库）可处理 macOS 能打开的任何音频或视频文件：语音备忘录、在其他地方录制的会议。每个文件都会像通话一样被转写，包括声音区分。

只针对该 App。Earshot 截取的是 App 自身的音频输出，因此通知、音乐或你自己的麦克风都不会进入转写文本，除非你主动要求。即使 Mac 处于静音状态也能工作。

实时文字。每句话说完后片刻，对应的行就会出现，正在进行的句子会逐字写出。向上滚动时视图会停留在原处，直到你跳回实时位置。

如果你愿意，也可以包含你自己的声音。勾选「Include my microphone」，你说的话就会以你的名字被转写，即使你在对方说话时插话也一样。使用扬声器时，麦克风也会拾取到通话声音：Earshot 会从中剔除 App 的声音（回声消除），而不是将其静音，因此回声不会被重复转写，你的插话也不会丢失。

如果你愿意，还可以开启实时字幕。一键即可开启或关闭：在转写窗口中点击「Stop」旁边的「Subtitles」，或在通话前勾选菜单中的复选框。一个小巧的半透明窗口会显示最近说过的两行内容，如果 Earshot 知道说话人是谁，还会显示其名字。可将它拖到任意位置，并可直接在窗口中调整文字大小。提供两种引擎：Fast，即 Apple 的设备端识别（无需下载，一次一种语言）；或 High，即运行在 MLX 上的 Kyutai STT 1B（法语和英语混合，延迟约半秒，仅在点击「Install」时才下载 2.4 GB）。

谁说了什么。在 Microsoft Teams 中，名字来自 Teams 自己的实时字幕，通过辅助功能 API 读取。Earshot 可以为你开启字幕。

按日历事件归档。每个会话以其所属日历事件的名称保存，然后是日期。通话结束时录音停止，但如果事件结束前有休息时间，录音不会停止。

英语或法语。界面跟随系统语言，也可以在「设置」中选择。转写支持这两种语言，或自动检测。通话结束后，会针对每一段语音（一个声音，最长 15 秒）检测语言，因此一门在法语和英语之间来回切换的课程，每句话都会保留其被说出时的语言。实时模式下，检测按语音块进行（最长 25 秒）：当说话人在同一块内切换语言时，转写文本会保留该块的主要语言，而另一种语言的句子会以翻译形式出现，而非逐字记录。High 实时字幕会按实际所说的语言跟随这两种语言。

不会丢失内容。声音会随到随写，因此强制退出、崩溃或 Mac 在通话中途关机，最多只会丢失最后不到一秒的内容：Earshot 会在下次启动时恢复该会话。

导出。每个会话文件夹都包含 Transcript.txt 和 Audio.m4a。可从资料库导出 Markdown 和字幕（.srt），任何会话都可以从其音频重新转写。

可与你的文档一起搜索。开启「Index transcripts with doc-indexer」后，Earshot 会在每次转写完成后自动运行 doc-indexer-macos，这样你的通话和课程就能与其他文件一起被搜索。它会等到没有通话在录音、也没有转写正在进行时才运行，并以后台优先级运行：Mac 保持低温。每个会话都是一个纯文本文件，因此索引器能完整找到每一门课程。

工作原理

组件 所用技术 按 App 捕获 对所有 App 音频进程（包括辅助进程）使用 Core Audio 进程截取（CATapDescription，macOS 14.2+） 转写 使用 Metal 的 whisper.cpp。音频在停顿处切分，跳过静音，以免 Whisper 产生幻觉。通话结束后，Silero 的语音活动模型（Core ML，通过 FluidAudio）只保留有人说话的部分，因此麦克风中的呼吸声、打字声和房间噪声不会变成编造的行。每一段对应一个声音，并各自获得自己的语言 声音 FluidAudio 的离线说话人分离（Core ML 中的 pyannote 分割和说话人嵌入，运行在神经网络引擎上）。每个声音取其各轮发言中出现次数最多的 Teams 名字 说话人姓名 Teams 的「实时字幕」面板，通过 AXUIElement 读取，并与会话一起保存，以便通话结束后为声音命名 摘要 Apple 的 Foundation Models 框架（Apple Intelligence 背后的设备端模型） 日历 EventKit 实时字幕

（原文较长，此处译出前 6000 字，完整内容请点「打开原文」。）