OpenAI Whisper：语音转文字开源模型

为什么你需要 Whisper？

平时开会、采访、上网课，积累了大量录音，想整理成文字却要手动逐句听写，既耗时又容易出错。市面上的付费转写服务又担心隐私和费用。Whisper 的出现正好解决了这些痛点：它是 OpenAI 开源的自动语音识别（ASR）系统，完全免费，本地运行，不用担心数据外泄。更重要的是，它不仅能识别英语，对中文等 90 多种语言都有不错的支持，甚至能直接输出英文翻译。

Whisper 的核心功能

多语言识别与翻译

Whisper 训练数据覆盖约 68 万小时的多语言音频，对中文普通话、粤语、英语、日语等都有良好表现。你只需要在命令中指定语言，它就能输出对应文字的转录。如果开启翻译选项，它还可以将非英语音频直接翻译成英文，特别适合处理海外会议或课程资料。

时间戳与分段输出

Whisper 会自动为转录文本添加时间戳，并按句子或语义分段。这样你可以快速定位音频中的某个片段，或者把字幕文件直接用于视频。输出格式支持纯文本、SRT 字幕、JSON 等，非常灵活。

模型大小可选，按需平衡速度与精度

Whisper 提供了从 tiny 到 large 共 5 种不同大小的模型。tiny 最快，适合实时处理；large 最准，但需要更多显存和时间。你可以根据自己的硬件条件在 1 分钟到 1 小时内完成转录，实际体验中，中等模型（medium）对中文用户通常是个不错的折中点。

安装与使用方法

安装 Whisper 非常简单，但需要 Python 3.8-3.12 环境。建议用虚拟环境隔离，避免依赖冲突。首先安装 OpenAI 的 Whisper 包：

pip install openai-whisper

然后使用命令行工具进行转写。假设你有一个会议录音叫 meeting.m4a，想识别成中文并输出 SRT 字幕，可以运行：

whisper meeting.m4a --language zh --model medium --output_format srt

如果你的音频已经是 wav 格式，直接替换文件名即可。首次运行会自动下载模型，之后就可以离线使用。整个过程不需要 GPU 也能跑，但 CPU 模式下，推荐使用 medium 以下的模型，否则等待时间会比较长。

注意事项

使用 Whisper 时有几点要留意：第一，背景噪音和多人说话会明显影响准确率，建议先用工具降噪或分段录音；第二，中文识别中，专有名词和生僻字可能需要后期人工校对，Whisper 对常见口语识别良好，但书面语表达偶尔会不一致；第三，务必遵守 OpenAI 的模型许可证条款，虽然 Whisper 是开源免费的，但代码基于 MIT 协议，而模型权重依据其特定的许可证发布，商用需确认合规。最后，如果你需要更长的音频处理，建议先裁剪成不超过 10 分钟的片段，避免内存溢出。