前言

录音豆——这个在各大AI会议纪要工具中出现频率越来越高的词汇，本质上是指调用第三方云端API所需要的付费额度或订阅点数。飞书妙记、通义听悟、讯飞听见等主流产品的免费额度越来越少，超出后按分钟计费，一场1小时的会议转写可能需要2~5元，长期下来成本不菲。更关键的是，使用云端服务意味着你的会议音频必须上传到第三方服务器，对金融、法律、医疗等对数据敏感的行业来说，隐私风险不容忽视。

好消息是，2026年的今天，开源语音识别（ASR）与大语言模型（LLM）技术已经足够成熟，完全可以在你的本地电脑上完成“录音→转写→纪要”全流程，全程无需联网，更不需要任何录音豆。本文将为你提供一套完整的本地化解决方案。

阅读建议：如果你想快速验证效果，可直接跳到“四、完整实战：从录音到会议纪要”看端到端流程；如果你是零基础用户，建议从“二、环境准备与工具选型”开始按顺序阅读。

一、为什么不依赖录音豆也能搞定？

要实现完整的会议纪要生成，整个Pipeline可以分为两个环节：

1. 语音转文字（ASR） ：将会议录音转化为准确的逐字文稿
2. 智能总结（LLM） ：从文字稿中提取决策、行动项、责任人等结构化信息

这两个环节都有成熟的开源方案：

环节	开源方案	对应商业产品
语音转文字	FunASR / SenseVoice / WhisperX	飞书妙记、讯飞听见
智能总结	Ollama + 本地大模型 + Prompt模板	通义听悟、Fireflies.ai

有开发者已经将这两个环节整合成完整项目。例如 inkorcloud-bot/meeting-minutes 开源项目，内置兼容 Whisper、FunASR、SenseVoice 等主流 ASR 引擎，并集成 Llama 3、Qwen（通义千问）、ChatGLM 等开源大模型，实现从音频上传、语音转写到摘要生成的全流程本地化处理。还有 Cluelessly 这款开源AI会议助手应用，支持实时转录会议内容、自动提炼摘要与关键点、识别任务待办，所有数据保存在本地SQLite中，不收集、不上传、不分析用户会议数据。

二、环境准备与工具选型

2.1 硬件配置参考

在开始之前，先确认你的电脑配置是否满足基本要求：

配置级别	推荐硬件	可完成的任务
基础版	Intel i5-12400F + 16GB内存	CPU推理语音转文字（速度较慢但可用），LLM用轻量模型
专业版	NVIDIA RTX 4060 + 32GB内存	GPU加速转写，运行中等规模的本地LLM

即使你只有一台普通的办公笔记本（8GB内存），也可以运行轻量级模型完成转写，只是处理速度会慢一些。实测在树莓派4B（4GB RAM）上转写1小时音频约需8分钟，说明门槛并不高。

2.2 ASR引擎选型对比

目前主流的三款开源语音识别方案，各有千秋：

维度	FunASR	SenseVoice	WhisperX
开发方	阿里达摩院	阿里FunAudioLLM团队	社区（基于OpenAI Whisper）
中文识别精度	⭐⭐⭐⭐⭐ 最高	⭐⭐⭐⭐ 优秀	⭐⭐⭐ 良好
推理速度	快	极快（比Whisper-small快7倍）	取决于模型大小
说话人分离	✅ 原生支持	❌ 需额外实现	✅ 通过Diarization
多语言支持	中英为主	中/英/粤/日/韩	99+语言
情感识别	❌	✅ 支持	❌
部署难度	中等	中等	较低
开源协议	MIT	非商用开源	MIT

选型建议：

• 国内会议为主（普通话/方言） → 首选 FunASR，中文识别精度最高，原生支持说话人分离
• 追求推理速度，多种语言混合 → 选择 SenseVoice，速度比Whisper-large-v3快17倍，还附带情感识别功能
• 多语种/全球化团队 → 使用 WhisperX，支持99种语言，社区生态最成熟

以上三款工具的完整配置教程已整理至 https://www.sssmc.cn/，可直接获取。

2.3 LLM选择：本地也能做总结

语音转文字只是第一步，把冗长的会议逐字稿提炼成结构化的会议纪要，才是关键。这里推荐使用 Ollama 来运行本地大模型：

# 安装 Ollama（支持 Windows / macOS / Linux）
# 官方网站：https://ollama.com/

# 拉取一个适合中文总结任务的模型
# 推荐三个选项，根据你的显存大小选择：
ollama pull qwen2.5:7b        # 适合 8GB 显存，中文能力优秀
ollama pull qwen2.5:14b       # 适合 16GB 显存，精度更高
ollama pull deepseek-r1:8b    # 适合 8GB 显存，推理能力强

如果你的电脑配置较低，还可以使用 DeepSeek 的免费Web服务（通过浏览器访问 chat.deepseek.com），同样无需付费就能完成会议纪要的智能总结。

三、核心工具安装教程（新手友好）

3.1 SenseVoice 安装教程（推荐入门）

如果你对命令行不熟悉，SenseVoice 有非常好的图形界面启动方式，最适合新手：

第一步：环境准备

# 安装 Anaconda（Python环境管理工具）
# 下载地址：https://www.anaconda.com/download

# 创建虚拟环境
conda create -n sensevoice python=3.10
conda activate sensevoice

# 克隆项目
git clone https://github.com/FunAudioLLM/SenseVoice.git
cd SenseVoice

# 安装依赖
pip install -r requirements.txt

第二步：下载模型

# 使用 ModelScope 下载（国内网络友好）
modelscope download --model iic/SenseVoiceSmall --local_dir model/iic/SenseVoiceSmall

第三步：启动Web界面

# 运行 webui.py 启动图形界面
python webui.py

启动后浏览器会自动打开一个网页界面，左侧上传音频文件，点击“开始识别”即可获得文字转写结果。作者还提供了功能更丰富的整合包，支持批量转写、导出TXT和SRT字幕文件、实时录音转文字等功能。整合包下载地址已同步至 https://www.sssmc.cn/。

3.2 WhisperX 安装教程（多语种场景首选）

WhisperX 基于 OpenAI Whisper 模型优化，社区生态成熟，适合处理多语种混合会议录音：

# 安装 WhisperX
pip install whisperx

# 基本使用（将 audio.mp3 替换为你的录音文件路径）
whisperx audio.mp3 --model medium --language zh --output_format txt

模型选择参考：

模型	大小	显存需求	准确率	适用场景
tiny	~150MB	2GB	一般	快速预览、低配设备
base	~300MB	2GB	中等	日常转写
small	~1GB	3GB	较好	推荐入门
medium	~3GB	5GB	好	推荐使用
large-v3	~6GB	10GB	最优	专业级转写

WhisperX 的中英混合识别准确率可达 92.3%，在专业术语场景（如医疗）中准确率约 91.2%，明显优于多数付费软件。

3.3 FunASR 安装教程（专业级中文场景）

如果你的需求是高度精准的中文会议转写，并且需要区分谁在说话，FunASR 是最佳选择。阿里达摩院在中文语音识别上的积累深厚，FunASR 原生支持标点恢复、说话人分离等功能：

# 安装 FunASR 及相关依赖
pip install funasr
pip install modelscope

# 下载中文通用模型
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks

# 语音识别
asr_pipeline = pipeline(
    task=Tasks.auto_speech_recognition,
    model='damo/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch'
)

# 调用识别
result = asr_pipeline("meeting_audio.wav")
print(result['text'])

进阶功能——说话人分离：

from funasr import AutoModel

# 加载带说话人分离的模型
model = AutoModel(
    model="damo/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch",
    vad_model="damo/speech_fsmn_vad_zh-cn-16k-common-pytorch",
    punc_model="damo/punc_ct-transformer_zh-cn-common-vocab272727-pytorch",
    spk_model="damo/speech_campplus_sv_zh-cn-16k-common"
)

result = model.generate(input="meeting_audio.wav")
# 输出格式：说话人A → 文字内容，说话人B → 文字内容

3.4 免命令行方案：Whisper GUI 工具

对于完全不想碰命令行的同学，推荐两款图形界面工具：

① Handy（推荐 ★★★★★）

一款免费、开源、完全离线运行的语音输入/转文字工具，采用 Tauri 框架开发，支持 Windows 和 macOS：

• 支持 Whisper 和 Parakeet 两种模型引擎
• GPU 加速支持，Apple Silicon 和 NVIDIA 显卡都能发挥最佳性能
• 一键安装，图形界面选择模型，无需任何命令行操作
• MIT 开源协议，完全免费

② Whisper v0.2

一款打包好的 Whisper 桌面软件，下载解压后双击即可使用：

• 默认集成 medium 模型，无需额外下载
• 支持拖拽导入音频文件
• 提供 CPU/GPU 模式切换选项
• 支持导出 TXT、SRT 字幕等格式

四、完整实战：从录音到会议纪要

4.1 整体流程图

┌─────────────┐     ┌────────────────┐     ┌────────────────┐
│  ① 录制音频  │ ──▶ │ ② ASR 转写文字 │ ──▶ │ ③ LLM 生成纪要 │
│  (手机/电脑) │     │  (本地模型)     │     │  (本地Ollama)   │
└─────────────┘     └────────────────┘     └────────────────┘

4.2 第一步：录制会议音频

录制工具建议：

• 线上会议：直接使用腾讯会议/飞书/Zoom的自带录制功能，导出音频文件
• 线下会议：手机自带录音App即可，放在会议桌中间，16kHz采样率足够
• 专业需求：使用 Audacity（免费开源），支持多轨录制和降噪处理

4.3 第二步：语音转文字（Python脚本）

下面提供一个完整的 Python 脚本，整合了多引擎支持，你可以根据需求切换：

"""
会议录音转文字脚本
支持 WhisperX / FunASR / SenseVoice 三种引擎
"""
import os
import sys
from typing import Optional
from pathlib import Path

# ============================================================
# 配置区：根据你的需求修改以下参数
# ============================================================
AUDIO_FILE = "meeting_20260520.wav"  # 你的录音文件路径
ENGINE = "whisperx"                    # 可选：whisperx / funasr / sensevoice
LANGUAGE = "zh"                        # 语言代码
MODEL_SIZE = "medium"                  # 模型大小（仅 WhisperX）
OUTPUT_FORMAT = "txt"                  # 输出格式：txt / srt / json
ENABLE_SPEAKER_DIARIZATION = True      # 是否启用说话人分离

# ============================================================
# 引擎一：WhisperX 方案
# ============================================================
def transcribe_whisperx(audio_path: str) -> str:
    import whisperx
    import gc
    
    device = "cuda" if _check_cuda() else "cpu"
    compute_type = "float16" if device == "cuda" else "int8"
    
    print(f"[WhisperX] 使用设备: {device}, 计算精度: {compute_type}")
    
    # 加载模型
    model = whisperx.load_model(MODEL_SIZE, device, compute_type=compute_type)
    
    # 加载音频
    audio = whisperx.load_audio(audio_path)
    
    # 转写
    result = model.transcribe(audio, batch_size=16, language=LANGUAGE)
    full_text = " ".join([seg["text"] for seg in result["segments"]])
    
    # 说话人分离（可选）
    if ENABLE_SPEAKER_DIARIZATION and device == "cuda":
        diarize_model = whisperx.DiarizationPipeline(device=device)
        diarize_segments = diarize_model(audio)
        result = whisperx.assign_word_speakers(diarize_segments, result)
        
        # 格式化带说话人的输出
        formatted_lines = []
        for seg in result["segments"]:
            speaker = seg.get("speaker", "UNKNOWN")
            text = seg["text"].strip()
            formatted_lines.append(f"[{speaker}] {text}")
        full_text = "\n".join(formatted_lines)
    
    del model
    gc.collect()
    return full_text


# ============================================================
# 引擎二：FunASR 方案（推荐中文会议使用）
# ============================================================
def transcribe_funasr(audio_path: str) -> str:
    from funasr import AutoModel
    
    print("[FunASR] 加载模型中...")
    
    # 基础模型（语音识别 + VAD + 标点）
    model_kwargs = {
        "model": "damo/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch",
        "vad_model": "damo/speech_fsmn_vad_zh-cn-16k-common-pytorch",
        "punc_model": "damo/punc_ct-transformer_zh-cn-common-vocab272727-pytorch",
    }
    
    # 如果需要说话人分离
    if ENABLE_SPEAKER_DIARIZATION:
        model_kwargs["spk_model"] = "damo/speech_campplus_sv_zh-cn-16k-common"
    
    model = AutoModel(**model_kwargs)
    
    result = model.generate(input=audio_path)
    
    if result and len(result) > 0:
        if isinstance(result[0], dict) and "text" in result[0]:
            # 提取纯文本
            return result[0]["text"]
        else:
            return str(result[0])
    return ""


# ============================================================
# 引擎三：SenseVoice 方案
# ============================================================
def transcribe_sensevoice(audio_path: str) -> str:
    from funasr import AutoModel
    
    print("[SenseVoice] 加载模型（推理速度极快）...")
    
    model = AutoModel(
        model="iic/SenseVoiceSmall",
        trust_remote_code=True,
        remote_code="./model.py"
    )
    
    result = model.generate(
        input=audio_path,
        language="auto",    # 自动检测语言
        use_itn=True        # 启用逆文本正则化（数字、日期等格式化）
    )
    
    return result[0]["text"] if result else ""


# ============================================================
# 工具函数
# ============================================================
def _check_cuda() -> bool:
    """检测 CUDA 是否可用"""
    try:
        import torch
        return torch.cuda.is_available()
    except ImportError:
        return False


def save_result(text: str, output_path: str):
    """保存转写结果"""
    Path(output_path).write_text(text, encoding="utf-8")
    print(f"✅ 转写完成，已保存到: {output_path}")
    print(f"📝 共 {len(text)} 个字符")


# ============================================================
# 主流程
# ============================================================
def main():
    if not os.path.exists(AUDIO_FILE):
        print(f"❌ 找不到音频文件: {AUDIO_FILE}")
        sys.exit(1)
    
    print(f"🎤 开始转写: {AUDIO_FILE}")
    print(f"🔧 使用引擎: {ENGINE}")
    print("-" * 50)
    
    # 根据配置选择引擎
    engine_map = {
        "whisperx": transcribe_whisperx,
        "funasr": transcribe_funasr,
        "sensevoice": transcribe_sensevoice,
    }
    
    transcribe_func = engine_map.get(ENGINE)
    if not transcribe_func:
        print(f"❌ 不支持的引擎: {ENGINE}")
        print(f"   可用引擎: {list(engine_map.keys())}")
        sys.exit(1)
    
    try:
        text = transcribe_func(AUDIO_FILE)
        output_file = AUDIO_FILE.rsplit(".", 1)[0] + f"_{ENGINE}.{OUTPUT_FORMAT}"
        save_result(text, output_file)
    except Exception as e:
        print(f"❌ 转写失败: {e}")
        sys.exit(1)


if __name__ == "__main__":
    main()

运行方式：

# 安装依赖
pip install whisperx funasr torch

# 修改脚本中的 AUDIO_FILE 路径后运行
python transcribe_meeting.py

4.4 第三步：LLM生成结构化会议纪要

拿到文字稿后，使用本地大模型进行总结。这里提供一个可直接复用的 Prompt 模板，支持 Ollama 本地调用：

"""
会议纪要智能生成脚本
支持 Ollama 本地模型
"""
import subprocess
import json
from pathlib import Path

# ============================================================
# 配置区
# ============================================================
TRANSCRIPT_FILE = "meeting_20260520_whisperx.txt"  # 上一步生成的转写文件
OLLAMA_MODEL = "qwen2.5:7b"                         # 本地模型名称
OUTPUT_FILE = "meeting_minutes.md"                   # 输出文件

# 会议纪要生成 Prompt 模板
MINUTES_PROMPT = """# 角色
你是一名专业的会议记录秘书。请根据以下会议录音的文字稿，生成一份结构化的会议纪要。

# 格式要求
请严格按照以下结构输出，使用 Markdown 格式：

## 会议基本信息
- 会议主题：（从内容中提取）
- 参会人员：（如果有提到请列出，否则写"未明确"）

## 讨论议题
（按顺序列出会议讨论的主要议题，每个议题2-3句话概括）

## ✅ 决策事项
（列出会议中明确做出的决策，每条一行）

## 行动计划
| 任务 | 责任人 | 截止时间 |
|------|--------|---------|
| ... | ... | ... |

## ❓ 待解决问题
（列出未达成共识或需要后续跟进的问题）

# 注意事项
1. 只提取文字稿中明确提到的信息，不要编造
2. 如果原文没有提到责任人/截止时间，填入"待确认"
3. 语言简洁专业，避免口语化
4. 核心原则：**把口头约定变成书面契约**，做到“事事有交代、件件有回应”

# 会议文字稿
{transcript}
"""


def generate_minutes(transcript: str, model: str = "qwen2.5:7b") -> str:
    """
    调用 Ollama 本地模型生成会议纪要
    
    Args:
        transcript: 会议逐字稿
        model: Ollama 模型名称
    
    Returns:
        生成的会议纪要 Markdown 文本
    """
    prompt = MINUTES_PROMPT.format(transcript=transcript)
    
    # 调用 Ollama API
    result = subprocess.run(
        ["ollama", "run", model, prompt],
        capture_output=True,
        text=True,
        encoding="utf-8",
        timeout=300  # 5分钟超时
    )
    
    if result.returncode != 0:
        raise RuntimeError(f"Ollama 调用失败: {result.stderr}")
    
    return result.stdout


def main():
    # 读取转写文件
    transcript_path = Path(TRANSCRIPT_FILE)
    if not transcript_path.exists():
        print(f"❌ 找不到转写文件: {TRANSCRIPT_FILE}")
        print("   请先运行语音转文字脚本")
        return
    
    transcript = transcript_path.read_text(encoding="utf-8")
    print(f"📄 已读取文字稿，共 {len(transcript)} 个字符")
    print(f"🤖 正在调用本地模型 {OLLAMA_MODEL} 生成纪要...")
    print("-" * 50)
    
    try:
        minutes = generate_minutes(transcript, OLLAMA_MODEL)
        
        # 保存会议纪要
        output_path = Path(OUTPUT_FILE)
        output_path.write_text(minutes, encoding="utf-8")
        
        print(f"✅ 会议纪要已生成: {OUTPUT_FILE}")
        print("\n" + "=" * 50)
        print("📋 会议纪要预览：")
        print("=" * 50)
        print(minutes[:1500])  # 预览前1500字
        
    except Exception as e:
        print(f"❌ 纪要生成失败: {e}")
        
        # 提供备选方案
        print("\n💡 备选方案：将以下内容复制到 DeepSeek 网页版生成纪要")
        print("   访问 https://chat.deepseek.com")
        print(f"   Prompt 已保存在: prompt_backup.txt")
        
        prompt_backup = MINUTES_PROMPT.format(transcript=transcript[:3000])
        Path("prompt_backup.txt").write_text(prompt_backup, encoding="utf-8")


if __name__ == "__main__":
    main()

运行方式：

# 确保 Ollama 已安装并运行
# 安装：https://ollama.com/

# 拉取模型（如果还没下载）
ollama pull qwen2.5:7b

# 运行纪要生成
python generate_minutes.py

AI整理前后对比：

原始文字稿（老王随手记的）：“讨论用户中心改版 - 小张说要加个人信息编辑功能 - 老王说两周能搞定 - 小李担心时间紧 - 小陈展示了两版设计，大家觉得第二版不错 - 要在11月25号前上线”

AI整理后的纪要：

• 决策事项：功能范围确定为个人信息编辑、头像上传、账号安全设置；采用小陈提供的方案二（卡片式布局）；11月25日前完成上线
• 行动计划：小张补充PRD文档，截止11月10日；老王技术方案评审，截止11月12日；小陈完成UI设计稿，截止11月13日

这就是专业会议纪要的价值——把口头约定变成书面契约，做到"事事有交代、件件有回应"。

五、Prompt模板大全：拿来即用

好的Prompt是高质量纪要的保证。这里整理了6组可直接复用的Prompt模板，覆盖不同会议场景：

模板1：通用会议纪要（最推荐）

角色：你是专业会议秘书
任务：根据会议文字稿生成结构化纪要

格式要求：
1. 会议基本信息（主题、时间、参会人员）
2. 讨论议题（按顺序，每议题2-3句话）
3. 决策事项（逐条列出）
4. 行动计划（表格：任务、责任人、截止时间）
5. 待解决问题

约束：只提取文中明确提到的信息，不要编造

模板2：销售团队会议

角色：你是销售运营经理
任务：从会议记录中提炼可执行的结构化纪要

格式要求：
1. 客户需求（核心痛点 ≤3条）
2. 解决方案对标
3. 行动计划（负责人+时间节点）
4. 潜在风险识别

模板3：科研组会总结

角色：你是课题组助理
任务：将组会录音转写稿整理成300字以内总结

格式要求：
1. 研究进展亮点（用数据说明）
2. 问题与解决方案
3. 下周实验计划（列表：责任人+节点）

约束：禁止口语词、表情包

模板4：英文会议（适合跨国团队）

You are an Executive Assistant.
Convert the raw meeting notes below into a 1-minute executive summary.

Structure:
1) Key Decisions (≤3 bullets)
2) Action Items (table: Owner | Task | Due)
3) Blockers / Risks (≤2 bullets)

Tone: concise, passive-voice allowed.

模板5：党政机关会议

角色：市委办文字秘书
任务：根据速记稿生成标准格式纪要

输出要求：
一、会议基本信息（时间、地点、主持人、参会人）
二、第一议题及贯彻意见
三、讨论事项与决议（逐条罗列）
四、责任分解表（单位、任务、完成时限）
五、其他事项

模板6：客户座谈会

角色：你是客户经理
任务：将客户发言整理成200字"说人话"简报

格式：
1. 客户最痛的3个点（≤15字/点）
2. 我司对应解决方案
3. 后续安排（时间+负责人）

六、不同场景下的方案推荐

每个人的需求不同，这里给出分场景的推荐组合：

使用场景	推荐方案	硬件要求
个人日常使用	Handy（录音转文字） + DeepSeek网页版（生成纪要）	普通电脑
团队周会	WhisperX (medium) + Ollama (qwen2.5:7b)	8GB显存
正式会议纪要	FunASR（说话人分离+高精度） + Ollama (qwen2.5:14b)	16GB显存
隐私敏感行业	meeting-minutes（端到端离线方案）	16GB+显存
跨境多语种会议	WhisperX (large-v3) + Ollama (qwen2.5:14b)	16GB+显存

七、常见问题排查

1. 安装依赖报错

# 先升级 pip 再装
pip install --upgrade pip setuptools wheel

# 如果 PyTorch 安装失败，手动指定版本
pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu118

2. GPU显存不足

# 方法一：使用更小的模型
whisperx audio.mp3 --model small --language zh

# 方法二：限制显存使用
import torch
torch.cuda.set_per_process_memory_fraction(0.5)  # 只用一半显存

3. 转写结果有漏字/错字

这是最常见的问题，建议按以下顺序排查：

• 录音质量：检查录音是否清晰，背景噪音是否太大
• 语言设置：确认 LANGUAGE 参数设置正确（中文用 zh）
• 模型升级：换用更大的模型（small → medium → large-v3）
• 专业术语：如果会议涉及大量专业术语，可以使用微调脚本训练适配

4. Ollama 生成结果不够好

• 尝试更大参数量的模型：7B → 14B → 32B（需要对应显存支持）
• 优化 Prompt：提供更具体的要求，如"用列表格式输出"“每条决策单独一行”
• 分片处理：如果逐字稿太长（>8000字），拆分成2-3段分别处理后再合并

八、2026年开源语音识别技术展望

回顾过去一年，开源语音识别技术取得了惊人进步。根据最新的基准测试，2026年最佳开源STT模型包括：

• Canary Qwen 2.5B：英语场景最高精度，WER仅5.63%
• Whisper Large V3：99+语言支持，WER 7.4%，依然是多语言场景的王者
• Parakeet TDT 1.1B：超低延迟流式处理，RTFx > 2000，适合实时字幕场景

开源模型已经具备了替代商业服务的能力。越来越多的企业选择本地部署方案，在数据安全、成本控制和定制化方面获得更大优势。

九、总结

不用录音豆也能做AI会议纪要，这在2026年已经不是"能不能"的问题，而是"选哪个方案"的问题。

回顾整个方案，核心思路就是两条：

• 语音转文字 → FunASR / SenseVoice / WhisperX（三选一，本地免费）
• 智能总结 → Ollama + 本地LLM / DeepSeek免费版

整套方案零持续成本、零数据外泄、零网络依赖。初期可能需要花1-2小时配置环境，但一旦搭好，每次开会都能自动产出结构化的会议纪要——不再手动整理录音，不再付费买录音豆，不再担心会议音频上传到第三方云。

行动起来：今天就选一个方案，在你的电脑上跑通"录音→纪要"的第一条Pipeline。如果遇到问题，欢迎在评论区留言交流。

---

如果这篇文章对你有帮助，欢迎一键三连（点赞、收藏、关注），也欢迎分享给同样被"录音豆"困扰的同事朋友。