Breeze ASR分辨說話者，記住聲音
自動判斷或指定人數；取名後存進語者庫，之後自動認出。分錯時可以合併或改給別人。
v0.5.02026-11-12 發布開源・MIT 授權
在自己的電腦上，
把錄音轉成字幕與逐字稿
用 MediaTek Research 的 Breeze ASR 25／26 辨識臺灣華語、中英夾雜與臺灣台語，自動加標點、分辨說話者；在波形時間軸上校對，再匯出字幕檔或 Word 逐字稿。錄音不必上傳到任何雲端服務。
- 系統
- Windows・Linux・Docker
- 加速
- Intel 內顯・NVIDIA・AMD・CPU
- 語言
- 臺灣華語・中英夾雜・臺灣台語
按上下方向鍵切換字幕段落。
01:01介紹影片
一分鐘看完 Breeze ASR
從錄音、辨識、熱詞、校對到匯出，61 秒看完整個流程。影片沒有口播，只有配樂。
01流程
從錄音到字幕，四個步驟
上傳、辨識、校對、匯出都在同一個網頁完成，服務跑在你自己的電腦上。
-
01
上傳 m4a、mp3、wav、mp4 等常見格式，可以一次選多個排隊；也能拖進視窗、用瀏覽器錄音，或放進監看資料夾。
-
02
Breeze ASR 25 辨識臺灣華語與中英夾雜，Breeze ASR 26 辨識臺灣台語、輸出華語漢字。可以加熱詞、自動標點、分辨說話者。
-
03
在波形時間軸上直接改字、對時、分割合併、尋找取代；改錯了，按復原。
-
04
匯出 SRT、VTT、ASS、TXT、Markdown、DOCX、JSON，或把字幕燒錄到原始影片。
02功能
校對與交付需要的工具
介面以 WCAG 2.2 AA 為目標，主要工作只用鍵盤就能完成。
改字、對時、分割合併
每一步都能復原與重做；尋找取代可以一次套用詞彙表的取代規則。
用手機或平板校對
辨識照樣在這台電腦上跑，手機與平板用瀏覽器上傳、播放、校對與匯出；要錄音時用 HTTPS 連線。
辨識完自動加標點
用獨立的標點模型補上全形標點，在 CPU 上執行，和辨識分開處理。
匯出七種格式，燒錄字幕
字幕檔、Markdown、Word 與 JSON 都能下載，也能把字幕直接燒錄到原始影片。
放進資料夾，自動辨識
新的錄音或影片自動送出辨識，結果寫在原檔旁邊，也會出現在網頁的工作清單。
03熱詞
先給熱詞，罕見詞比較容易寫對
把人名、公司名與術語寫成一句話交給模型；詞彙表的取代規則再自動修正同音字。
罕見詞寫對
918／23 處
字元錯誤率
14.94%6.64%
66 秒的會議錄音，含 23 處罕見人名、公司名、地名與英文術語，以語音合成念出。見效能實測。
熱詞
會中提到 Docker 映像檔、SRT 字幕檔、Word 逐字稿與 OpenVINO。
- 0:00:09.40那
docker 印象檔Docker 映像檔就下週發佈。 - 0:00:17.76我先匯出
srt wordSRT、Word 逐字稿 - 0:00:23.60好，
openvinoOpenVINO 的版本
細質汐止英歌鶯歌superbaseSupabasePianopyannote
04效能
自動調校，替每台電腦挑最快的設定
第一次啟動時，用內附的 29 秒範例語音實測每個裝置與權重格式，淘汰錯誤率過高的格式，再選出最快的一個。
74秒
RTX 5090 處理 1 小時錄音約 74 秒。
15秒
調校完寫出硬體設定檔，之後啟動約 15 秒就緒。
Core Ultra 7 155U 的實測選中：和最快的內顯・fp16 相差 5% 以內，記憶體少 1.4 GB
| 組合 | 速度 | 字元錯誤率 | 記憶體 | 結果 |
|---|---|---|---|---|
| CPU・int4 | 0.38 | 2.8% | 1.6 GB | 淘汰 |
| CPU・int8 | 0.41 | 1.7% | 2.2 GB | 可用 |
| CPU・fp16 | 0.69 | 1.7% | 4.8 GB | 可用 |
| 內顯・int8 | 0.382 | 1.7% | 2.8 GB | 選中 |
| 內顯・fp16 | 0.378 | 1.7% | 4.2 GB | 可用 |
05隱私
錄音與逐字稿留在這台電腦
開發者不經營任何伺服器，也不收集你的錄音、逐字稿與使用情形。沒有帳號、沒有分析追蹤、沒有廣告。
這台電腦
瀏覽器
Breeze ASR 服務
資料目錄結果、詞彙表、語者庫、日誌
監看資料夾
- Hugging Face只在下載模型時
- 手機、平板或其他電腦只有開放其他裝置連線時，要帶存取權杖
- 既有的 Breeze ASR 服務只有設成 remote 的模型
- AI 工具只有使用 MCP server 或 Agent Skill 時
- 上傳的音訊辨識完就刪除辨識結果預設保留 1 天，從最後一次修改起算。
- 用量回報都關閉OpenVINO、NNCF 與 Hugging Face 的用量統計不會送出。
- 聲紋需要同意聲紋屬於個人生物特徵，記住別人的聲音前請先取得對方同意。
06命令列、MCP 與 Skill
批次轉檔，或讓 AI 助理直接呼叫
命令列工具、MCP server 與 Agent Skill 都呼叫這台電腦上執行中的服務，檔案不經過其他地方。
transcribe一次送出多個檔案，結果寫在原檔旁邊jobs列出服務裡保留中的工作export下載某個工作的任一格式render把字幕燒進原始影片，下載 MP4- MCP 提供 7 個工具與「整理會議紀錄」「校對逐字稿」兩個提示
- 裝上 Agent Skill，Claude Code、Codex 等 AI 工具會自己轉逐字稿、替說話者改名、整理會議紀錄
逐字稿會進到 AI 工具的對話裡，可能因此送到外部 AI 服務；不能交給外部 AI 的錄音，只用網頁或命令列工具。
PS> uv run --no-sync --env-file .env python -m app.cli transcribe 週會.m4a --speakers auto --punctuation on --formats md,srt 週會.m4a：已送出（工作 z3Nq8gjFtZ4y0v3H） 週會.m4a：處理中 週會.m4a：辨識中 週會.m4a：完成，8 段，說話者 2 位 週會.m4a.md 週會.m4a.srt
PS> claude mcp add breeze-asr -- uv run --directory C:/code/Breeze-ASR --no-sync --env-file .env python -m app.mcp_server
| 工具 | 用途 |
|---|---|
list_models | 可用的模型 |
transcribe | 辨識這台電腦上的檔案 |
job_status | 工作進度 |
get_transcript | 取得逐字稿：md、txt、srt、vtt、ass、json |
list_jobs | 工作清單 |
cancel_job | 取消工作 |
rename_speaker | 替說話者改名 |
07安裝
安裝與系統需求
安裝腳本會自動安裝 uv 與符合顯示卡的 PyTorch。啟動後開啟 http://127.0.0.1:7860，把音訊或影片拖進視窗，再按「辨識」。
- 取得程式碼
git clone https://github.com/Scorpio-meow/Breeze-ASR.git - 在專案根目錄開 PowerShell 執行
powershell -ExecutionPolicy Bypass -File scripts\install.ps1
安裝完成後，桌面會有「Breeze ASR」捷徑。
- 取得程式碼
git clone https://github.com/Scorpio-meow/Breeze-ASR.git - 安裝
bash scripts/install.sh - 啟動
bash scripts/start.sh
- 取得程式碼
git clone https://github.com/Scorpio-meow/Breeze-ASR.git - 建立設定檔
cp .env.example .env - 建置並啟動
docker compose up -d --build
NVIDIA、AMD 顯示卡與 GitHub 發布的映像檔，見部署。
第一次啟動會下載約 9 GB 的模型並自動調校，約需數分鐘到十幾分鐘；之後啟動約 15 秒就緒。
- 作業系統
- Windows（x64）、Linux，或任何能執行 Docker 的系統
- 記憶體
- 建議 16 GB 以上
- 磁碟
- 約 16 GB
- 加速
- Intel 內顯（OpenVINO）、NVIDIA GPU（CUDA）、AMD GPU（ROCm，僅 Linux），沒有也能用 CPU