Whisper 教程：OpenAI 语音转文字工具

语音转写太费时？你需要 Whisper

会议录音、采访素材、网课回放……手动整理成文字动辄数小时，效率极低。市面上不少语音转文字服务要么收费高，要么对专业术语识别差，要么限制时长。OpenAI 开源的 Whisper 模型则是一个强大的免费替代方案，支持近百种语言，对中文、英文的识别准确率都相当高，甚至能自动加标点。这篇 Whisper 教程将带你从零开始，真正把它用起来。

Whisper 核心功能一览

高精度多语言识别

Whisper 基于大型弱监督学习，处理嘈杂环境、口音、专业词汇的能力远比普通 API 强。它不仅能转写，还能翻译（例如将中文翻译成英文）。你不需要本地 GPU 也可运行，只是速度会慢一些。

• 支持音频和视频文件直接提取音轨转写
• 自动检测语言，生成带时间戳的 SRT 字幕
• 多种模型大小可选：tiny、base、small、medium、large-v3，按准确度和速度权衡

命令行 + Python 双接口

Whisper 提供最简单的命令行方式，一条命令即可转写整个文件夹；同时也开放 Python API，方便你嵌入自己的自动化流程。下面会演示最常用的命令。

Whisper 使用方法：手把手实操

1. 安装与准备

确保 Python 3.9 以上，然后执行：pip install openai-whisper。建议同时安装 ffmpeg（macOS 用 brew install ffmpeg，Windows 可下载安装包）。Whisper 会自动调用 ffmpeg 处理音频解码。

2. 基础转写命令

打开终端，进入音频所在目录，运行：

whisper meeting.mp3 --language zh --model medium

参数解释：--language zh 指定中文，避免自动检测错误；--model medium 在准确率和速度间较均衡。输出文件默认生成 txt、srt、vtt 等格式，非常方便。

3. 批量处理与字幕导出

想要一次处理多个文件？可以用通配符：whisper *.mp3 --model large-v3 --output_format srt。如果想生成带时间轴的 Word 文档，可以配合 Pandoc 或脚本把 srt 转成 docx。对于长视频，建议先切成 10 分钟左右的片段再转写，避免内存溢出。

注意事项与避坑指南

• 首次运行会下载模型文件，需要科学网络环境；模型体积从 75MB 到 5GB 不等，别选错。
• CPU 转写很慢，一个 1 小时音频可能耗时数小时。有条件尽量用 GPU（NVIDIA CUDA）或选用 small 模型。
• 背景音乐、多人重叠说话时准确率下降，建议提前用工具降噪或分段。
• 转写结果仍是纯文本，涉及敏感信息需人工校对，不要直接商用。

掌握这篇 Whisper 教程后，你就能轻松将任意录音变成可搜索、可编辑的文字。配合 Python 脚本，还能自动归档会议纪要素材，让效率翻倍。