Mac 实时转录，不用先上传再等结果。
一场会、一节课、一次访谈、一集播客，Coco 在它还在进行的时候就把话写成字。用的是这台 Mac 上苹果自己的语音引擎。结束时你手里是一份带时间戳的文本文件，每行标着「我」或「对方」，放在你自己的文件夹里。
转录最难受的一段，其实是等
Mac 上的转录，多数还是老一套。先录，再找文件，再上传，再等，过几分钟网页上出现文字。等只是其中一项代价。声音已经离开了这台笔记本，你的时长被从套餐里扣掉。最后那份稿子存在别人的账号里，不在你的文稿文件夹里。对一次客户访谈或者一场内部复盘来说，往往就是最后这一条，让人干脆不用这类工具。
实时转录把顺序反了过来。话说出来的同时字就出来，会一散，稿子就已经写完了。没有什么可上传，因为识别当场就做完了。也没有什么可等，因为你从头到尾都在看着它出字。剩下的是一件实物：一份纯文本文件，每行带时间戳，标着是谁说的。用聚焦搜索能搜到，用 grep 能搜到，和硬盘上任何一个文件一样。一年后打开它，不用登录任何地方。
Coco 用的是苹果自己的语音框架，就是听写背后那一套。只要苹果为你 Mac 的系统语言提供本机识别，它就在这台机器上跑。如果你更想在声音播放的时候当场读，不要那份文件。去看 Coco 的实时字幕页面 /features/live-captions。那一页讲的是同一套引擎在「边听边读」这一面的用法。这一页讲的是事后硬盘上留下了什么：一份文档，而不是窗口一关就没了的一条字幕。
一场 Coco 转录会给你留下什么
人还在说，字已经在了
没有「录制」这一步，也没有「处理」这一步。你选「开始」，窗口出现，文字比人声慢一两秒开始往下填。苹果的引擎在说话人停顿时会结束一段，Coco 悄悄再发起一次新的请求。稿子于是一直往下累积，不会在同一行反复重写。这就是听写框和转录稿的区别。一场两小时的会还在开，你就能往上翻到最开始，读头十分钟到底讲了什么。
它听得到对面，也听得到你
系统声音通过 ScreenCaptureKit 进来，就是 macOS 录屏走的那条路。任何应用都覆盖。Zoom、Teams、Meet、一个浏览器标签页、一个播客客户端、一段课程录像，都在内。麦克风同时另走 AVAudioEngine。两路落进同一个列表，麦克风的行标「我」，从扬声器出来的一律标「对方」。这是按声道分，不是按声纹分。所以一间会议室四个人共用一支麦克风，出来就是一个「我」。开线上会时，通常要的正是这一刀。
不计分钟，不要账号，不上传
只要苹果为你 Mac 当前的系统语言提供本机识别，Coco 就强制用本机。声音不离开这台机器，一场也没有时长上限。三小时的工作坊和五分钟的站会花费一样，都是零。Coco 是一次买断，背后没有一个按分钟算的套餐。这个功能里没有注册，没有我们的服务器，也没有任何统计上报。如果苹果没给你的语言配本机模型，框架会退回苹果的服务器，和那种语言的听写完全一样。这时需要联网。
产出的是一份归你的文件
停止之后，Coco 写一份 .txt，每行带时间戳。另加两条 .m4a 音轨，麦克风一条，系统声音一条。开着 iCloud 同步时，它们在 iCloud 云盘的 Coco 文件夹里。子目录是 Live Captions/Recordings。关掉同步就在 ~/Library/Application Support/Coco。「保留原始录音文件」默认打开，关掉之后停止的那一场只留文字。「转录记录」窗口列出过去的每一场，可以重读，也可以整份复制。会中随时能按「复制全文」把当前这场放进剪贴板。
跟着 Mac 的语言走，不行的时候会直说
识别用 SFSpeechRecognizer，自动加标点。语言就是「系统设置」里 Mac 当前的语言。Coco 里暂时还没有单独的语言选择器。想在英文系统的 Mac 上转一场日语访谈，得先把系统语言切过去。这是个实打实的限制，我们宁愿写在这里，也不想让你在会议中间才发现。如果苹果没有当前语言的识别器，窗口会直接告诉你，而不是安静地吐出一堆不知所云的字。
把 Coco 和 Otter.ai、macOS 实时字幕、Raycast 放在一起
说到会议转录，多数人想到的是 Otter.ai。有几件事它确实比 Coco 做得好。它按声纹区分说话人，而不是按声道。它把一场会同步到你的手机和同事那里，还会写摘要，还能导出字幕格式。代价是声音要送到服务器，要有账号，时长要从套餐里扣。如果你要的是一个共享工作区和带名字的说话人，这笔交换值得做，那 Coco 就不是这个工具。
Coco 是另一笔交换。什么都不上传，什么都不计量，不用登录。一场结束后，你 Mac 某个文件夹里留下一份文本和两条音轨。苹果自带的实时字幕也免费、也在本机，但它是个阅读辅助。它不保留这一场，不标是谁说的，也不给你文件。Raycast 是启动器，根本不转录会议。它出现在表里，是因为 Coco 一天里其余的时间也是个启动器。
| Coco | Otter.ai | macOS 实时字幕 | Raycast | |
|---|---|---|---|---|
| 实时出字，边说边出 | ||||
| 在本机跑，离线可用 | ||||
| 不需要账号，不用登录 | ||||
| 不按分钟计费，也没有每月上限 | ||||
| 一次买断，不订阅 | ||||
| 转录任何应用的系统声音 | ||||
| 麦克风和系统声音同时转 | ||||
| 整场存成属于你的纯文本 .txt | ||||
| 原始录音留在本机 | ||||
| 声音从不上传 | ||||
| 按声纹区分不同说话人 | ||||
| 自动生成会议摘要 | ||||
| 团队共享工作区 | ||||
| 离开 Mac 也能录的手机应用 | ||||
| 导出 SRT 之类的字幕格式 | ||||
| 和应用启动器打包在一起 |
用 Coco 在 Mac 上转录一场会议
在会开始之前先开起来
点菜单栏里的 Coco，打开「实时转录」子菜单，选「开始」。窗口出现就立刻开始听，所以最好提前一分钟开，而不是等大家都寒暄完了才想起来。「Show」能把藏起来的窗口叫回来，「终止」结束这一场并写出文件。
三个权限，给一次就够
系统声音需要「屏幕录制」，因为 macOS 把它放在这扇门后面。麦克风需要「麦克风」，识别需要「语音识别」。第一次用时 macOS 会逐个询问。如果你以前拒绝过某一项，去「隐私与安全性」里打开，然后重新启动 Coco。屏幕录制的授权要重启后才生效。
让它一直开着，想读就顺手读
面板浮在通话上面，点它不抢焦点，默认钉住。切换桌面空间和全屏应用上面都看得见。它能拖动、能改大小、字号有三档。「暂停」会停下新的行，但录音继续。会议中间别关窗口，关掉就等于结束这一场。
散会后把稿子取走
先「终止」，再在同一个子菜单里选「转录记录」，可以重读过去的每一场，也能整份复制。.txt 和两条 .m4a 放在 iCloud 云盘的 Coco 文件夹里。子目录是 Live Captions/Recordings。关掉同步就在 ~/Library/Application Support/Coco。设置里的「一键清空」会删掉所有存下来的记录。
关于 Mac 实时转录，大家常问的问题
- 不让机器人进会议，能转录 Zoom 或 Teams 吗？
- 能。Coco 通过 ScreenCaptureKit 拿系统声音。那就是 macOS 录屏走的那条路。任何应用在放什么，它都听得到。Zoom、Teams、Meet 都算。一个浏览器标签页、一个网课播放器、一段录好的讲座也算。会议软件里不用装插件，参会者名单里也不会多出一个助手。麦克风是同时抓的，所以稿子里对面标「对方」，你标「我」，按说话的先后排。唯一的要求是「屏幕录制」权限，macOS 第一次会问，授权后要重新启动 Coco 才生效。
- 一场最长能转多久？
- 会开多久就转多久，前提是识别在本机跑。这种模式下苹果没有设时长上限。引擎每结束一段，Coco 就重新发起一次识别请求。三小时的工作坊会累积成一份连续的稿子，不会被切成一块一块。也没有什么可计量的，因为压根没有分钟数这回事：Coco 一次买断，背后没有套餐。真正的限制是很普通的那些，录音占的磁盘空间，以及不插电时的电量。如果你 Mac 的语言没有本机模型，识别会走苹果的服务器，行为和听写一样。
- 最后留下的文件里到底有什么？
- 一份纯文本 .txt，一句一行，每行带时间戳和「我」或「对方」的发言方标记。另有两条 .m4a，一条录自麦克风，一条录自系统声音。「保留原始录音文件」默认打开，关掉就只剩文字。开着 iCloud 同步时，文件在 iCloud 云盘的 Coco 文件夹里。子目录是 Live Captions/Recordings。关掉同步就在 ~/Library/Application Support/Coco。它们就是普通文件。聚焦能搜，grep 能搜，任何编辑器都能打开。你想搬走、备份还是删掉，都不用向谁请求许可。
- 它分得清谁在说话吗？
- 只在声道这个意义上分得清。来自你麦克风的行标「我」，从扬声器出来的一律标「对方」，线上会议要的通常就是这一刀。Coco 不做声纹识别，所以它没办法告诉你第二个说话的是小张、第三个是老李。一间会议室四个人共用一支麦克风，出来就是一个「我」。Otter.ai 这类工具做的是真正的说话人分离，上面的对比表里也是这么写的。如果你的工作确实需要带名字的说话人，那是更诚实的建议。
- 这和 Coco 的实时字幕有什么区别？
- 是同一个功能从另一头讲。Coco 的实时字幕页面是 /features/live-captions。它写给「边播边读」的场景。比如一场通话的语言你看字比听音顺，或者所在的地方不能开声音。这一页讲的是事后留下的那份文件。两者都从菜单栏的同一个入口开始，都是同一套本机苹果识别。都是那个浮动窗口，最后都留下同样的 .txt 和 .m4a。你该看哪一页，取决于你要的是开会当场的字，还是一个月后还能搜的记录。
- 能翻译，或者导出字幕文件吗？
- 都不能，这两件事都值得说清楚。Coco 按说的是什么语言就转成什么语言，不做翻译。翻译在路线图上，实时字幕那一页讲得更细。它写的是纯文本，不是 SRT 或 VTT。它不是一个做字幕的工具，没有带时间轴的字幕导出。它给你的是一份带时间戳的文本和原始录音。这些足够喂给你本来就在用的翻译工具或者字幕编辑器。再往前的事，我们宁愿你去用专门为它做的软件。
复制这段提示词，或者直接发给你已经在用的 AI——它会用你自己会敲的那些命令来驱动 Coco。
安装 Coco 技能（npx skills add butterflydream-ai/Coco --skill coco -g -y），然后用 coco 帮我处理Mac 实时转录，不用先上传再等结果。。