v0.7.62026-11-14 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、macOS、Linux、Docker
加速
Intel 內顯、NVIDIA、AMD、CPU
語言
臺灣華語、中英夾雜、臺灣台語

古箏 D 五聲定弦

聚焦後用左右方向鍵撥弦,Home 或 End 刮奏。

按上下方向鍵切換字幕段落,Home 與 End 跳到第一段或最後一段。

01:01介紹影片

一分鐘看完 ListenMiao

章節

  1. 到頁面上玩:分辨說話者示意動畫
  2. 到頁面上玩:實測給熱詞前後
  3. 到頁面上玩:首頁的編輯器
  4. 到頁面上玩:隱私
  5. 到頁面上玩:效能與調校重播
  6. 到頁面上玩:匯出格式
  7. 到頁面上玩:AI 與命令列

01流程

從錄音到字幕,四個步驟

  1. 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。

  2. 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。

  3. 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。

  4. 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

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。

怎麼分出誰在說話示意

  1. 分段找出每一小段時間有人在說話
  2. 聲紋分群比對每段的聲紋,像的歸成同一群
  3. 排回時間軸依第一次開口的順序編成說話者 1、2
  4. 認人和語者庫裡記過的聲音夠像,就換成名字

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。

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。

  • 細質汐止
  • 英歌鶯歌
  • superbaseSupabase
  • Pianopyannote

04實測

聽一段真實的辨識結果

22 秒的兩人週會錄音,用 ListenMiao 0.7.6 在 Core Ultra 7 155U 的內顯(int8)實際辨識兩次:一次不給熱詞,一次給熱詞。標出來的字是兩次結果不同的地方。

跟錄音賽跑示意

處理時間是實測值;進度條只示意快慢,不是即時處理。

兩次結果不同
3 處
處理時間
13.9 秒給熱詞;不給熱詞 14.84 秒

熱詞

會中提到 Docker 映像檔、SRT 字幕檔、Word 逐字稿與 OpenVINO。

05匯出

同一份逐字稿,七種格式

上一段「給熱詞」那次結果直接匯出的檔案,一字未改。

1
00:00:00,000 --> 00:00:02,600
說話者 1:我們先確認這週的上線時程

2
00:00:02,600 --> 00:00:04,760
說話者 2:API 文件,昨天更新了,

3
00:00:04,760 --> 00:00:06,480
說話者 2:熱詞也加好了。

4
00:00:06,480 --> 00:00:09,320
說話者 1:那 Docker 映像檔就下週發佈

5
00:00:09,320 --> 00:00:11,760
說話者 2:測試報告我週五前補上

6
00:00:11,760 --> 00:00:16,400
說話者 1:字幕檔,我先匯出 SRT Word 逐字稿,下午給大家

7
00:00:16,400 --> 00:00:20,000
說話者 2:好 OpenVINO 的版本,我也一起確認,

8
00:00:20,000 --> 00:00:22,000
說話者 1:那就這樣 下週一再對一次進度。

燒錄字幕前後

把宣傳影片的前 22 秒配上這段錄音,辨識後用 render 燒錄,比較同一格畫面。

燒錄前的畫面:深色背景中央是 ListenMiao 標誌 燒錄後的同一格畫面:標誌下方多了白色字幕「那 Docker 映像檔就下週發佈」

06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。

各機器自動調校選中的設定 速度=處理秒數 ÷ 音訊秒數,越小越快
  • Ryzen 9 9950X3D+RTX 5090PyTorch fp16 0.021
  • Core i5-12500HIris Xe 內顯・int8 0.34
  • Core Ultra 7 155U內顯・int8 0.38
  • Core i7-9700CPU・int8 0.66

估算辨識要多久

60 分鐘
Core Ultra 7 155U

約 23 分鐘

自動調校選中 內顯・int8,速度 0.38

用效能實測裡各機器選中設定的速度乘上錄音長度,只算辨識,不含分辨說話者。

重播一次真實的自動調校

Core Ultra 7 155U(32 GB)2026-11-14 用 ListenMiao 0.7.6 重新調校的推論日誌,5 分半壓縮成十幾秒。上面的 0.38 來自 2026-10-31 那次調校,所以數字不同。

  1. 找不到硬體設定檔,開始自動調校
  2. 偵測到 Core Ultra 7 155U:14 個可用執行緒、31.7 GB 記憶體,裝置有 CPU、內顯與 NPU
  3. 略過 CPU・fp32 與內顯・fp32:原始權重是 BF16,內顯以 FP16 運算
  4. 略過 NPU:實測時驅動回報 DEVICE_LOST;略過 PyTorch CPU:CPU 上 OpenVINO 比較快
  5. 以原始精度匯出成 OpenVINO,耗時 60.0 秒
  6. 壓縮成 int4,耗時 30.6 秒
  7. 實測 CPU・int4:0.348,字元錯誤率 2.81%
  8. 實測 CPU・int8:0.368,字元錯誤率 1.69%
  9. 壓縮成 fp16,耗時 17.3 秒
  10. 實測 CPU・fp16:0.607,字元錯誤率 1.69%
  11. 略過內顯・int4:int4 在 CPU 上的錯誤率已不合格
  12. 實測內顯・int8:0.306,字元錯誤率 1.69%
  13. 實測內顯・fp16:0.359,字元錯誤率 1.69%
  14. 選擇內顯・int8:處理時間是音訊長度的 0.31 倍,可用裝置中最快;每個模型約 2.8 GB,同時常駐 2 個
組合速度字元錯誤率記憶體結果
CPU・int40.3482.81%1.6 GB淘汰
CPU・int80.3681.69%2.2 GB可用
CPU・fp160.6071.69%4.8 GB可用
內顯・int80.3061.69%2.8 GB選中
內顯・fp160.3591.69%4.2 GB可用

07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 ListenMiao 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
  • GitHub只在檢查或套用更新時
  • 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。

閱讀隱私權政策

08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 都只連這台電腦上的服務,錄音與存取權杖不會送到別的主機。

  • transcribe一次送出多個檔案,結果寫在原檔旁邊
  • status服務版本、硬體設定與各模型的實測速度
  • renamevoices替說話者改名,管理語者庫
  • glossary印出或整份取代詞彙表
  • exportrender下載任一格式,或把字幕燒進原始影片
  • MCP 提供 7 個工具與「整理會議紀錄」「校對逐字稿」兩個提示

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 3f9c2a7e1b04d8c65a2e9f17)
週會.m4a:辨識中 38%
週會.m4a:辨識中 81%
週會.m4a:加標點
週會.m4a:分辨說話者
週會.m4a:完成,8 段,說話者 2 位
週會.m4a.md
週會.m4a.srt

09安裝

安裝與系統需求

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」。

先下載 ListenMiao

從 GitHub Releases 下載最新版的 zip 並解壓縮,在解出的資料夾裡執行下面的指令;也可以用 git clone 取得。

下載最新版
  1. 在資料夾裡開 PowerShell,執行安裝腳本
    powershell -ExecutionPolicy Bypass -File scripts\install.ps1
  2. 點桌面的「ListenMiao」捷徑啟動,服務就緒後自動開啟瀏覽器

偵測到 NVIDIA 顯示卡時安裝 CUDA 版 PyTorch。安裝腳本最後會問要不要裝上 Agent Skill,直接按 Enter 就是安裝。

作業系統
Windows(x64)、Linux、macOS 14 以上(Apple Silicon),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;Mac 只用 CPU

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,進度顯示在底部狀態列;之後啟動約 15 秒就緒。

之後更新按網頁右下角的版本號,再按「檢查更新」「立即更新」。新版的 zip 核對過 SHA-256 才換上,.env 與辨識結果、詞彙表、語者庫都保留;Docker 版見更新版本。