IBM Granite Speech 5.0 上手：Mac 上免费的开源语音转文字——安装教程 + 字幕接单玩法

一句话说清： 它就像一个住在你 Mac 里的速记员——把会议录音或视频的音频放给它听，它就把听到的每一句话打成文字，支持 6 种语言，还免费。不用按月交钱，音频也不用上传到任何地方。

先讲两个词，大白话版：开源就是 IBM 把这个模型的完整“配方”免费公开了，谁都能下载用，包括拿它接单赚钱；转录就是“把说话的音频变成文字”。

IBM 在 2026 年 10 月 22 日（今天）发布，据 IBM 官方公告。IBM 称它在 Open ASR 榜单上“开源权重排第 2”——厂商宣称，未独立验证。这对你意味着什么：这是 IBM 自己说的“免费模型里准确率接近最强”，但除了 IBM 还没人独立证实过，先打个折听。

跟你有什么关系

• 开会录音变文字。 1 小时的会议录音转成文字稿，直接搜索关键词，不用再从头听一遍。
• 视频加字幕。 做视频的人都需要字幕（方便静音刷手机的观众，也有无障碍要求），这个工具免费帮你干最累的那部分。
• 不用按月交钱。 付费转录工具（Otter、Rev 这类）都是按月订阅或按分钟收费的，具体价格经常变、去它们官网看最新的就行。关键是：这个 $0，装好之后一直免费。
• 隐私天生好。 模型就跑在你自己电脑上，音频从头到尾不出你的笔记本。这对你意味着什么：涉密的会议录音也不用担心传到别人服务器上。

价格：$0

Apache 2.0 协议开源——免费下载、免费使用、免费拿它做生意。这对你意味着什么：你用它给客户做转录、收服务费，100% 归你，合法合规。

同天还发了两个“兄弟版本”，各一句话：Turbo CTC 是极速轻量版（新增 6 种语言），给边缘设备用的；4.1 2B Plus 是多人说话人分离版——能标出一段群聊里“哪句话是谁说的”。

一个省钱 / 赚钱玩法

省钱： 如果你现在付费用转录订阅，这个能替代掉大部分功能。这对你意味着什么：花 15 分钟装好，从下个月开始省下的订阅费就是纯省。

赚钱——字幕 / 会议纪要接单：

• 客户是谁： YouTuber、播客主、做网课的人，以及攒了一堆没字幕视频/会议录音的小团队。
• 卖什么： “音频转干净字幕 / 会议纪要，48 小时交付。”
• 收多少钱： 定价你自己定——建议先低价接前 3 单（比如按音频分钟收个起步价），有了作品 sample 再涨价。这是给你测试市场的建议，不是行业行情价。
• 7 天验证： 第 1–2 天装好工具，转 3 段公开视频当作品集；第 3–4 天私信 20 个创作者，送一段 5 分钟免费试转；第 5–7 天转付费，目标是 1 个付费客户或 5 个有意向的线索。20 次认真 outreach 后没人理就停——反正搭建成本是零。

4 步装好（要一台苹果芯片的 Mac）

想自己跑起来？下面是 4 步全流程。

先说实话：这要敲几行命令。但不用会编程——复制、粘贴、按回车就行。

第 1 步： 装运行工具：

pip install mlx-audio

（如果提示找不到 pip，先去 python.org 装个 Python 3.10 以上版本。另外可能还需要 brew install ffmpeg。）

第 2 步： 下载模型。官方仓库是 Hugging Face 上 IBM 官方组织下的 ibm-granite/granite-speech-5.0-2b（Apache 2.0 协议）。第一次运行时会自动下载——20 亿参数，几 GB 大小，下载一次以后一直用。

第 3 步： 转写一段音频：

python -m mlx_audio.stt.generate \
  --model ibm-granite/granite-speech-5.0-2b \
  --audio meeting.m4a \
  --output-path ./transcripts \
  --format json

把 meeting.m4a 换成你自己的音频文件就行。命令格式对照 mlx-audio 官方 README 核实过——但今天是发布第一天，如果运行工具报错说不支持这个模型，去官方仓库的模型页看推荐的运行方式。IBM 官方组织下还有个 GGUF 量化版（ibm-granite/granite-speech-5.0-2b-GGUF），可以走 llama.cpp 那条路。

第 4 步： 打开 ./transcripts 文件夹，文字稿就在里面。10 分钟左右，你的第一个转录结果就出来了。

输出长这样（示例）：

[
  {"start": 12.4, "end": 18.9, "text": "好，我们开始今天的季度规划会。"},
  {"start": 19.1, "end": 26.3, "text": "第一件事：11 月的上线改到 15 号。"}
]

每段话都带时间戳，可以直接定位回音频原处——这就是做字幕和会议纪要的原材料。

坑与限制

• 只要苹果芯片的 Mac——这条路跑不了 Windows，也跑不了老款 Intel 芯片 Mac。
• 要敲命令行，没有漂亮的图形界面，怕黑窗口的人慎入。
• 只有 6 种语言，接单前先去官方模型页确认你要的语言在不在里面。
• 准确率是 IBM 自报的（见上文——厂商宣称，未独立验证）。
• 发布第一天的小坑。 新模型刚出来，社区工具链可能要一周左右才跟上；主路走不通就用 GGUF + llama.cpp 备选方案，或者过一周再试。

免费折腾 vs 付费省心

想要“音频变文字、还在自己 Mac 上”的结果，但不想碰终端？我们今天还写了 Koi——$59 的 Mac 应用，点点鼠标就行。Granite 是免费自己动手版，Koi 是花钱买省心版，选哪个看你愿意出钱还是出力。

来源

• IBM Granite 官方公告（2026-10-22）：发布时间、6 语言语音转文字 + 翻译、Open ASR 榜单说法、Turbo CTC 与 4.1 2B Plus 同批更新。
• huggingface.co/ibm-granite：官方组织页，granite-speech-5.0-2b、granite-speech-5.0-470m-turboctc、granite-speech-4.1-2b-plus、granite-speech-5.0-2b-GGUF 四个仓库均在列且 24 小时内更新过，2026-10-22 当天复核。
• mlx-audio GitHub README：STT 命令行用法（python -m mlx_audio.stt.generate）、安装步骤与苹果芯片要求。