真香，把录音丢进去直接出笔记，全程不联网

GitHub 上 2.2K stars

听两小时的播客或者网课，真正想留下的可能就那几段。手动记要暂停回放，用在线转写工具又得把音频传上去，涉及公司会议或者私人内容时就不太敢用。

AudioNotes 整套跑在本机。上传音频或视频，它先出文字稿，再整理成 Markdown 笔记，之后还能就着内容直接提问，对话历史也存着。浏览器录音、领域热词这些都支持，专业名词转错的问题能靠热词修掉。

之所以能全本地，是因为语音识别用 FunASR，语言模型走 Ollama，默认配置是 FunAudioLLM/Fun-ASR-Nano-2512 加 qwen3.5:2b。音视频、文字稿、笔记和对话历史默认全部留在本机，网页服务也只监听本地地址。

部署给了 Docker 和 Python 3.12 源码两条路，默认端口 15433，Docker 版初始账号密码都是 admin，装完记得先改。首次使用需要联网下载镜像和模型，语音模型约 2.15GB。

能本地跑的工具，才敢拿来处理真正重要的东西。

GitHub：

harry0703/AudioNotes

Source: https://github.com/harry0703/AudioNotes

AudioNotes

AudioNotes 是一款本地运行的音视频转文字和智能笔记工具，适合整理会议、访谈、课程和语音备忘录。

主要功能：

• 上传音频或视频，自动生成文字稿。
• 将识别结果整理为清晰的 Markdown 笔记。
• 根据音视频内容继续提问。
• 支持浏览器录音、领域热词和对话历史。

本地优先与隐私

AudioNotes 默认在你的电脑上完成语音识别、笔记整理和内容问答：

• 音视频、文字稿、笔记和对话历史保存在本机。
• FunASR 在本地识别语音，Ollama 在本地运行大语言模型。
• 默认不把音视频内容发送给第三方 AI 接口。
• Web 页面默认只允许本机访问，不对局域网或互联网开放。

首次安装仍需要联网下载应用镜像和模型，但处理个人内容时不依赖云端 AI 服务。请在受信任的电脑上使用，并妥善保护本机账户和磁盘数据。

效果展示

音视频识别和整理

与音视频内容对话

Docker 快速体验

开始前请安装并启动：

• Docker Desktop
• Ollama

建议为 Docker Desktop 分配至少 12GB 内存；处理较长音视频时推荐 16GB，并预留约 10GB 磁盘空间。

1. 准备本地模型

ollama pull qwen3.5:2b

2. 下载并启动 AudioNotes

mkdir audionotes
cd audionotes
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

3. 打开页面

访问 http://localhost:15433/，默认账号和密码均为 admin。

首次识别会自动下载约 2.15GB 的语音模型，等待时间取决于网络速度。模型下载完成后会保存在本机，后续无需重复下载。

从源码启动（可选）

如果希望直接运行源码，请先准备 Python 3.12、ffmpeg 和 Ollama。AudioNotes 会自动创建本地数据文件，不需要安装或配置数据库服务。

git clone https://github.com/harry0703/AudioNotes.git
cd AudioNotes
python3.12 -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt
cp .env.example .env
ollama pull qwen3.5:2b

确认 Ollama 已启动后运行：

python -m chainlit run main.py --host 127.0.0.1 --port 15433

同样访问 http://localhost:15433/。退出虚拟环境可以执行 deactivate。

使用方法

1. 登录后上传音频或视频，也可以直接使用浏览器录音。
2. 等待语音识别和笔记整理完成。
3. 查看完整文字稿和结构化笔记。
4. 在输入框中继续询问负责人、时间、结论或其他内容。
5. 从左侧历史记录重新打开以前的笔记。

默认模型

• 语音识别：FunAudioLLM/Fun-ASR-Nano-2512
• 笔记整理与问答：qwen3.5:2b

默认组合优先兼顾中文识别质量和普通电脑的资源占用。识别结果仍可能受到录音质量、环境噪声、口音和多人重叠说话影响，重要内容请结合原音频核对。

如需识别更多语言，打开 .env，将 ASR_MODEL 改为 FunAudioLLM/Fun-ASR-MLT-Nano-2512，然后重新启动服务。默认模型不会自动改变，当前页面也不会在运行期间切换模型。

数据管理

使用 Docker 时，上传文件、FunASR 模型缓存、日志和对话历史都保存在创建的 audionotes 文件夹中。使用源码时，个人数据保存在项目的 storage 文件夹中，FunASR 模型保存在本机模型缓存中。Ollama 模型由 Ollama 单独管理。

• 备份：停止服务后复制整个 audionotes 文件夹。
• 迁移：将整个文件夹复制到新电脑，安装 Docker 和 Ollama、拉取默认模型后再启动服务。
• 清理：确认不再需要历史数据后，停止服务并删除该文件夹。

使用 Docker 时，停止或重新启动：

docker compose down
docker compose up -d

使用 Docker 时，更新到最新版本：

docker compose pull
docker compose up -d --remove-orphans

常见问题

Docker 方式页面无法打开时，先确认 Docker Desktop 和 Ollama 均已启动，然后检查服务状态：

docker compose ps
docker compose logs -f webui

源码方式无法启动时，请先查看终端中的错误信息，并确认 Python 版本、ffmpeg 和 Ollama 均可正常使用。

如果提示找不到模型，重新执行：

ollama pull qwen3.5:2b

如果处理长音频时页面中断或服务重启，请增加 Docker Desktop 的内存配额。实测 8GB 可能不足，推荐使用 16GB。

如果电脑由多人共用，请打开 .env 文件并修改 USERNAME 和 PASSWORD，然后重新启动服务。

Linux 电脑如配有 NVIDIA 显卡，并且已经安装 NVIDIA 驱动和 Container Toolkit，可以使用可选配置启用 GPU 识别加速：

git clone https://github.com/harry0703/AudioNotes.git
cd AudioNotes
cp .env.example .env
docker compose -f docker-compose.yml -f docker-compose.gpu.yml up -d --build

默认快速体验仍使用 CPU 镜像，不需要 NVIDIA 显卡。首次构建 GPU 镜像需要下载较大的 CUDA 依赖。