工具MIT
faster-whisper
通过 CTranslate2 在本地运行 Whisper 语音转文字，提供分段或词级时间戳、批量转写和静音过滤，适合字幕、访谈整理及音视频应用开发者。
- 费用
- MIT 开源；本地推理无强制云服务费用，模型及算力自理。
- 平台
- Python API、CPU、NVIDIA GPU
- 共同场景
- 音视频处理
- 差异
- 基于 CTranslate2 提供本地 Whisper 推理，支持 INT8 量化、批量处理和词级时间戳。
whisper.cpp 的替代品：6 个同类工具
使用 C/C++ 实现 Whisper 语音识别推理，支持多种硬件后端和端侧集成。适合希望在 CPU、Mac 或嵌入式应用中运行转写的开发者。
按场景可替代的工具
工具GPL-3.0
ComfyUI
通过可视化节点组织图像、视频和音频生成流程，适合设计师、视觉创作者与生成式内容开发者。
- 费用
- 核心 GPL-3.0 开源；本地硬件与模型资源自理，官方云和付费 API 节点另计费。
- 平台
- Windows、macOS、Linux、本地 API
- 共同场景
- 音视频处理
- 差异
- 用节点图显式组合模型、参数和处理步骤，可保存 JSON 工作流并通过 API 集成，比单一提示词输入框更强调可复用流程与过程控制。
Skill未明确独立技能许可证
Remotion Agent Skills
Remotion 维护的视频开发技能，帮助编码 Agent 使用 React 组织视频构图、时间轴、动画与音频。
- 费用
- 本次根目录与 README 未发现独立技能许可证声明。Remotion 软件的许可与商业使用条件需要另外核对，不能从技能仓库公开直接推断产品免费。
- 平台
- 未标注
- 共同场景
- 音视频处理
- 差异
- 侧重可编程视频与 React 组件工作流，和 ComfyUI 的节点式生成图像/视频流程不同。
工具MIT
FunASR
语音识别工具集，提供离线或流式转写及相关语音处理流水线。
- 费用
- 工具代码采用 MIT；预训练模型权重单独授权，应查看所选模型卡，不能把代码许可直接用于所有模型。自部署的计算资源另计。
- 平台
- 未标注
- 共同场景
- 音视频处理
- 差异
- 提供多种语音模型与组合路径，适合围绕中文和特定业务语音做选型；faster-whisper 更聚焦 Whisper 的高效推理实现。
工具BSD-2-Clause
WhisperX
围绕语音转写增加词级时间对齐和说话人区分等流程，适合需要带时间信息的会议文本与字幕处理。
- 费用
- 当前仓库采用 BSD-2-Clause；对齐模型、说话人模型与其他依赖各有自己的许可和访问条件。计算资源费用另计。
- 平台
- 未标注
- 共同场景
- 音视频处理
- 差异
- 对齐和说话人处理是转写之外的附加阶段；输出说话人标签不等于识别真实姓名。
工具MIT
Handy
免费开源的本地语音输入桌面工具：按快捷键说话，再把识别文字粘贴到当前应用。
- 费用
- 应用免费，源代码采用 MIT。离线转写使用本地计算资源；模型需先下载，模型本身的许可证应另行核对。若启用外部 LLM 后处理，其联网、数据流向和服务费用须按所选服务单独确认，不能把后处理也视为默认离线。
- 平台
- Windows、macOS、Linux
- 共同场景
- 音视频处理
- 差异
- 侧重全局快捷键到当前文本框的即时听写，而不是会议协作平台或长音视频剪辑工具；可选 Whisper 与 Parakeet V3 等本地模型，支持 CLI 控制和 macOS/Linux 转写 hook。
怎么选
先看类型：Skill 是给编码 Agent 的指令与脚本，MCP 是给 Agent 接工具的服务端，工具本身则是可直接使用的产品。再看许可与费用——开源不等于免费托管，商业工具的先看免费额度与收费入口。最后看平台：CLI、IDE 插件、桌面应用的使用方式差别很大。
本站只做事实归纳，不评估哪一款「更好」；建议按上面的共同场景挑 2 个，各跑一个自己的真实任务再决定。