开会最怕的其实不是议题太长，是网突然断了。录音传不上去，后台转写直接卡住，同传字幕也跟着停摆。更头疼的是——敏感内容往第三方服务一丢，服务器在国外，合规部门第一个跳出来不答应。跟网络和云服务商斗智斗勇太折腾，不如把整套转写能力直接搬到桌面上，离线搞定。
本地跑语音转文字，三年前还是折腾的代名词。得装 Python、配 CUDA、搞虚拟环境，whisper 的依赖能让你怀疑人生。2025 年不一样了。Ollama 把模型拉取、版本管理、推理接口全封装好，终端敲一行命令就完事。数据不出内网，不交按分钟计的转写费，风扇转起来都比云服务靠谱。咱们聊聊怎么搭这套东西。
先聊个真问题：录音传不上后台怎么办
在线转写确实爽。按下录音键，文字一行一行往外蹦，科技感拉满。可一旦会议室 Wi‑Fi 抖一下，或者路由器过热重启——转写卡住，重试，再卡住。半小时的讨论拖成一小时。我有次拿手机热点救急，结果月底一看话费账单，多了两百多块的流量费。更闹心的是隐私条款。你永远不知道那段音频会在云上存多久，会不会被拿去训练模型。去年公司内部审计把“未经批准使用外部 API”列为高风险，项目直接停摆两周。
费用也在暗处涨。按分钟计费看着不起眼——一分钟一毛多。真到月底，赶上季度复盘密集期，一周三四个会，每次三四十分钟，一年下来几百上千分钟很轻松。本地方案呢？一次部署，计算全在本机，不联网，不超量，不看任何人的脸色。隐私、合规、稳定性、可控成本——四条线一拉，本地部署就成了没得选的刚需。
Ollama 让这件事变得像喝水一样简单。它把模型拉取、量化、GPU 适配打包成一条命令。装好之后 ，再 ，一个 HTTP API 就在本地 11434 端口上等着了。我在自己那台 ThinkPad T14p 上跑通了短会纪要流程，风扇转得比云服务器还诚实。工具顺手之后，你再也不想回到“上传—等待—下载”的老路。
Ollama 是什么？一个让你不用配环境的底座
你可能问：为什么不直接装 Python 跑 Whisper？我试过。先配 CUDA——版本要对，驱动要更新，torch 和 CUDA 的版本还得匹配。然后 pip install openai-whisper，等它把依赖下载完。接下来跑一遍测试，报错说缺少 ffmpeg。装好 ffmpeg 再跑，又报显存不足。最后总算能跑了，换模型——从 tiny 换到 medium——得手动改参数、清缓存，还得调采样率。折腾一圈下来，感觉自己在搞考古。
Ollama 把这一切压缩成两条命令。终端敲 ，它会自动把模型下载到 ~/.ollama/models 下，同时完成量化、版本管理和 GPU 适配。再敲 ，服务就在本地跑起来了。跨平台做得挺好：Windows 靠 WSL2，macOS 有原生 pkg，Linux 一条 shell 命令。M 芯片的 Mac 可以直接走 Metal 加速，不用手动装任何东西。
它的模型库不光有 Llama、DeepSeek 这类大语言模型，还整合了 Whisper 系列——tiny、base、small、medium、large-v3 一应俱全。社区也有不少人把语音转文字的流程封装好，拉下来就是一套完整的推理服务。你用 curl 或者 Python 的 requests 就能往里面扔音频，拿回识别文本。
Ollama 自带一个 Modelfile 配置机制，允许你自定义推理参数。比如想让 Whisper 用更低的采样率来跑更长的会议录音，可以写个 Modelfile 指定 和 ，然后用 构建自己的定制模型。这种灵活度，不比云上动辄改配置等部署香？
# Modelfile 示例
FROM whisper:large-v3
PARAMETER temperature 0.0
PARAMETER max_tokens 2048装好后你甚至不需要图形界面。服务端在后台跑，任何语言的 HTTP 客户端都能调——Python 的 requests、Node 的 axios、甚至 shell 脚本里的 curl。这给后面集成到会议纪要流水线留足了空间。一台笔记本，一条命令，一个接口。离线语音转文字的底座就这么搭起来了。
手把手部署 Whisper：从命令到跑通第一批录音
Ollama 装好只是热身。真正让电脑“听懂”人话，得靠 Whisper 模型。别担心，全程两条命令，不用碰任何环境变量。
先装本体。打开浏览器进 ollama.com，点 Download——macOS 直接下 pkg 双击一路下一步；Windows 依赖 WSL2，记得先在“启用或关闭 Windows 功能”里把 Linux 子系统勾上。装完终端跑 ，看到类似 “0.1.9” 的数字就说明活了。
然后拉模型。终端敲 。第一次会下载约 700MB 的模型文件，家里带宽慢就挂代理。进度条走完，终端提示 “Success”。这时敲 ，会自动进入交互模式，对着麦克风说句“你好世界”，回车就能看到转写的汉字。
会议录音总不能一句一句念吧？直接甩文件：。几秒钟后，整段文字就吐回来了。如果报错 “CUDA out of memory”，说明显存不够——换成 tiny 或 base 版本；M 芯片的 Mac 自动走 Metal 加速，无需额外设置。
几个容易踩的坑：模型下载龟速的话，改 hosts 或给 ollama 服务端挂代理都能救。WSL2 找不到 GPU，记得确认 Windows 驱动已更新，并在 .wslconfig 里开启 “gpuSupport”。输出全是英文时，把音频采样率切成 16kHz 再喂给模型，识别准确率能明显回升。
至此，一台离线机器已经具备“听见即文字”的能力。接下来就可以把它串进自动化脚本，生成会议纪要了。
从录音到文字：归一化、转写、批量处理
模型跑起来了，终端里敲两句 demo 没问题。但真拿会议录音去转，你很快会发现事情没那么简单。我第一个扔进去的是个 40 分钟的部门周会录音，WAV 格式，采样率 48kHz，双声道。Ollama 吭哧了三分多钟，吐回来的文本里“这个功能下周上线”被识别成了“这几个功能下周二选”。差了一个字，意思全歪。
问题出在音频格式上。会议录音来源五花八门：手机录音笔出来的 m4a、腾讯会议导出的 mp3、老式录音机转的数字文件。Whisper 训练时用的标准输入是 16kHz 单声道 16-bit PCM。你扔一个 44.1kHz 的立体声进去，模型内部会做重采样和混音，但这个过程不可控，丢信息是常态。我习惯用 ffmpeg 一把梭——跨平台、命令行、脚本友好。下面这条命令把任意格式的录音转成 Whisper 最爱的样子：
-ac 1 强制单声道，-ar 16000 设采样率到 16kHz，-sample_fmt s16 保证位深是 16 位。跑完看一眼文件大小：一个小时的会议录音，大概 110MB 左右。如果原始文件是 m4a 或 ogg，ffmpeg 照样吃，不用改参数。但有个坑：iPhone 录的 m4a 其实是 AAC 编码，ffmpeg 转码时会报 “Invalid AAC bitstream” 警告，不影响输出，但强迫症如我会加 -bsf:a aac_adtstoasc 把它压住。
音频准备好之后，调 Ollama API。服务跑起来后监听在 ，API 路径是 /api/generate。POST 一个 JSON 过去，模型名填 ，把音频文件的 base64 编码塞进 data 字段。下面这个脚本是我现在流水线里用的版本：
import requests, json, base64
def transcribe(audio_path, model="whisper:small"):
with open(audio_path, "rb") as f:
audio_b64 = base64.b64encode(f.read()).decode("utf-8")
payload = {
"model": model,
"data": audio_b64,
"options": {
"language": "zh",
"temperature": 0.0
}
}
resp = requests.post("http://localhost:11434/api/generate", json=payload, stream=True)
result = ""
for line in resp.iter_lines():
if line:
chunk = json.loads(line)
if chunk.get("done"):
break
result += chunk.get("response", "")
return resultstream=True 是因为 Ollama 默认流式返回 token，逐行读取拼起来就行。如果嫌麻烦，也可以把 stream 设成 false，等全部结果一次性返回——但大文件下内存占用会暴涨，不推荐。
语言参数 "language": "zh" 是关键。不加这个，Whisper 会先做语言检测，遇到中英混杂的会议录音容易翻车——英文单词被当成拼音转成中文的情况我见过好几次。“OKR”硬生生变成了“欧开尔”。指定语言后，模型跳过检测阶段，准确率能提一截。
单文件搞定后，就是循环。我习惯按日期组织目录： 下面全是 .wav。脚本扫一遍，逐个扔给 Ollama，结果存成同名的 .txt 和 .srt——后者带时间戳，方便后期剪音频时定位。
import os, glob
input_dir = "recordings/2026-03"
for wav_path in glob.glob(os.path.join(input_dir, "*.wav")):
base = os.path.splitext(wav_path)[0]
text = transcribe(wav_path)
with open(base + ".txt", "w", encoding="utf-8") as f:
f.write(text)
print(f"done: {os.path.basename(wav_path)}")这段代码不加并发，老老实实一个一个来。Ollama 默认只跑一个模型实例，并发请求会排队，写多线程没意义。如果你显存够大（比如 24GB 以上），可以同时跑两个 whisper 实例，但收益边际递减，反而容易 OOM。第一次跑完整个三月的 12 段录音，看到 03-15.txt 在目录里出现时，我松了口气。录音从一头进去，文字从另一头出来，中间不需要人盯着。
但转写只是第一步。文字有了，还得从里面提炼出“谁说了什么、结论是什么、待办给谁”。
让 LLM 把毛坯文本精装成会议纪要
转写出来的长文本只是毛坯。下一步是让本地 LLM 把它变成能直接发到群里的纪要。我跑的是 Llama 3:8b 或 Qwen2.5:7b，显存 16GB 完全吃得消。
别让模型“自由发挥”，给它一张明确的任务单。我把这段提示存成 ：
你是会议助理。只根据提供的转写文本，输出 Markdown 格式的纪要。
要求：
- 识别所有发言人，并统计每人发言占比
- 提取 3–5 个核心讨论主题，给出对应时间戳（mm:ss）
- 列出明确的结论/决议
- 生成待办事项，按人名归集，状态为「待跟进」
- 若信息缺失，在文末列 [需补充] 清单
不要复述细节，不要保留闲聊，全文控制在 400 字以内。命令很简单：cat prompts/meeting_minutes.md + 转写文本 | ollama run llama3:8b。如果用 Python，可以直接调 ollama 的 API：
import ollama
resp = ollama.chat(
model='llama3:8b',
messages=[
{'role': 'system', 'content': open('prompts/meeting_minutes.md').read()},
{'role': 'user', 'content': open('recordings/2026-03/03-15.wav.txt').read()}
],
options={'temperature': 0.3}
)
print(resp['message']['content'])温度设到 0.3 左右，句子会更稳。遇到中英混杂的录音，我在系统提示里加了一句“保留英文术语原样，不翻译缩写”。实测能把“OKR”“PRD”这类词看住。偶尔会漏掉时间戳，我就写了个后处理脚本，拿正则把 (mm:ss) 找回来补上。
把转写和总结串起来并不复杂：先 whisper 出文本，再让 llama3 过一遍。全部写完回写到同目录的 .md。整个过程不需要联网，适合公司内网。唯一提醒一句：跑批量之前，先确认 Ollama 版本不低于 0.3.0，早期的 API 返回格式跟现在不一样，会出解析错。
隐私与成本双赢：这套方案的实际表现
转写和总结的流水线搭好之后，我反而花了几天犹豫——真要把公司那堆周会录音丢进去跑吗？担心什么？不是效果。Whisper small 在我那台 ThinkPad T14p（8GB 内存）上跑 30 分钟的录音，大概需要 5 分钟转完。准确率嘛，普通话能在 90% 以上，偶尔把“迭代”听成“带她”，但上下文一校正就回来了。Llama 3:8b 再压一遍，纪要生成不到 1 分钟。比我想的快。
真正让我下决心的，是隐私。之前用过某云的语音接口，录音传上去，第二天销售就打电话来问要不要升级套餐。你可以说是巧合，但那种感觉很不舒服。尤其会议室里聊的是下季度的裁员名单、未公开的融资条款——这些东西传到别人的服务器上，夜里是睡不着的。Ollama 的所有推理跑在本地。Whisper 模型也是从 Hugging Face 拉下来本地加载。网络断开照样跑。我甚至把 Ollama 绑到了 127.0.0.1:11434，防火墙封掉外访。数据从麦克风到 .md 文件，没出过这根网线。
钱这事真不用细算。一台二手16GB内存的小主机，2500块搞定，电费？基本忽略。Whisper、Ollama，连带模型全是开源的，一个钢镚都不花。反过来，云上语音转写按分钟收，一次周会30分钟，一年50周，轻轻松松干到上千块。你还别忘，那边LLM调一次就记一次token钱，攒起来比分期还疼。本地跑起来以后，每次调用成本直接归零——这账，你心里有数就行。
当然有翻车的时候。第一次跑 large 模型，直接 OOM，系统卡死。后来换成 才稳下来。8GB 内存的用户别碰 large，16GB 可以试试 medium。还有一次录音里有三个人同时说话，Whisper 输出成了混杂的字幕，Llama 总结时直接编造了一堆不存在的结论。后来我加了一条提示：“如果转写文本中有明显重叠语音或断句，请在纪要中标注‘该段对话存在干扰’。”解决了。
整套跑起来之后，最爽的反倒不是省那几个钱。开会时终于不用跟速记员似的疯狂敲字，也不用担心音频文件被传到什么莫名其妙的云上。就按一下录音，结束之后去倒杯水，回来桌面已经躺着一份干净的纪——这种感觉，比省了订阅费痛快得多。
参考与延伸阅读
- Ollama 基本安装与模型管理 —— 博客园 —— 作者详细介绍了 Ollama 的跨平台安装步骤与常见模型拉取命令，适合新手入门时对照操作。
- CFANZ 编程社区 —— 这篇从性能角度对比了不同硬件条件下 Ollama 的运行表现，对选型有帮助。
- 脚本之家 —— 如果你对 Ollama 的模型标识符、标签系统和运行参数还不太熟悉，这篇把基础概念讲得很清楚。
评论