AudioNotes：本地音视频转结构化笔记

把一段会议录音整理成文字，往往得反复回听。AudioNotes 把这件事搬到了本机：上传音频、视频或直接在浏览器录音，FunASR 先在本地识别出文字稿，Ollama 跑的本地大模型再把它整理成一份 Markdown 笔记。GitHubDaily 在 2025 年 2 月推荐过它。

核心功能

• 音视频转文字稿：上传文件即可转写，也支持浏览器录音；首次需联网下载约 2.15GB 语音模型。
• 笔记与问答：识别结果由大模型整理成结构化 Markdown，可继续追问负责人、时间、结论，历史对话保留。
• 热词与说话人分离：领域热词可提升准确率；.env 开启说话人分离后可生成带说话人标签的 SRT 字幕。
• 本地优先：识别与问答全程在本机完成，默认不调用第三方 AI，Web 服务默认仅本机可访问。

典型使用场景

• 会议整理：录音转成笔记后，直接追问谁负责、何时完成、定了什么。
• 访谈与播客归档：记者、研究者把素材转成可检索的 Markdown 存档。
• 课程复习：把课程视频、语音备忘录转成文字稿，方便快速回看。

快速上手

先安装并启动 Docker Desktop 与 Ollama，在空目录执行：

ollama pull qwen3.5:2b
curl -fsSL https://github.com/harry0703/AudioNotes/raw/main/docker-compose.yml -o docker-compose.yml
curl -fsSL https://github.com/harry0703/AudioNotes/raw/main/.env.example -o .env
docker compose up -d --remove-orphans

启动后访问 http://localhost:15433/，默认账号密码均为 admin。默认镜像仅用 CPU 即可运行；Linux 上若有 NVIDIA 显卡，可按仓库说明用 docker-compose.gpu.yml 开启 GPU 加速。

小结

适合常整理会议、访谈、课程录音，又不愿把内容交给云端 AI 的用户，默认模型组合对中文识别较友好，问答由本地 Ollama 完成，无需申请第三方 AI 服务的 API Key。项目采用 MIT 许可证，仍在维护，最近一次更新在 2026 年 8 月。注意：首次使用需联网下载镜像与模型；Docker 建议内存 12GB 起，长音视频最好 16GB，磁盘预留 10GB 左右；共用设备应修改 .env 中的账号密码；识别质量受录音噪声、口音和多人同时发言的影响。