把写歌时的手机语音备忘转成可搜的文本，我用 whisper.cpp 跑了一晚上

手机里攒了两年多的语音备忘，一共 437 条，,全是随手哼的动机、几句词、一段和弦走向的口述。文件名是 iOS 默认的「新录音 12.m4a」这种，时间一长完全不知道哪条是什么。想找「那个下行的副歌旋律」只能一条条点开听，听到第十条就烦了。

我的做法很土：先把它们从手机导出来，转成 16k 单声道 wav，再用 whisper.cpp 的 small 模型批量转文字，最后把结果和文件名拼成一份 Markdown 索引。

# 批量转 wav，whisper.cpp 只吃 16k 单声道
for f in *.m4a; do
  ffmpeg -i "$f" -ar 16000 -ac 1 "${f%.m4a}.wav" -y
done

# 转文字，输出到同名 txt
for f in *.wav; do
  ./main -m models/ggml-small.bin -f "$f" -otxt -of "${f%.wav}"
done

437 条里有 300 多条是纯哼唱，没词。这部分转出来基本是空的或者一串乱码，但空文件本身就是信息——说明这条是纯旋律动机，得自己听。真正有词的 90 多条，转出来的文字质量参差，口齿清楚、离麦近的那些，能认出七八成。

为什么用 small 而不是 base：base 对中文口述的识别率掉得厉害，同一段词能错一半。small 在我的机器上跑 437 条大概一晚上，可以接受。代价是它会把哼唱硬翻译成一些莫名其妙的词，所以我没有直接把 txt 当内容用，而是只拿它当「这条大概在说什么」的检索钩子。

索引我是手工拼的，一条一行，格式是 日期 | 文件名 | 一句摘要 | 标签。摘要优先抄转出来的文字，没有文字的写「纯哼唱，疑似副歌下行」。这一步没自动化，因为自动摘要对哼唱无效，对词又容易抄错，我宁可慢。

失效的地方说清楚：环境噪音大的录音，比如在街上哼的，转出来全是幻觉词，比空文件更误导；另外 m4a 转 wav 时如果原文件是立体声且左右声道内容不同（我用两支麦录过几次），转单声道会抵消掉一部分，听起来像丢了高频。后来这几条我单独用 -ac 2 保留原样，没进批处理。

现在搜「副歌」「慢」「那个词」能在索引里定位到几条候选，再点开听。比全凭记忆强，但也仅此而已——它解决的是「找得到」，不是「找得准」。

你们对纯哼唱、没词的动机是怎么做检索的？我目前只能靠标签和记忆，感觉这块 whisper 帮不上忙。