修炼AI技能
AI 教程 / AI 工具实操 / Whisper：语音转写

Whisper：语音转写

Whisper 是 OpenAI 于 2022 年开源的自动语音识别（ASR）模型，使用大规模弱监督数据训练，支持近百种语言的语音转文字，并能把非英语语音直接翻译成英文。它既可本地运行，也常被集成进字幕、会议纪要与无障碍工具中。

它是什么

Whisper 把音频波形切分为片段并预测文本 token，具备以下特点：

  • 多语种识别，涵盖中文、英文、日文等常见语言。
  • 支持 transcribe（同语言转写）与 translate（译为目标语言）两类任务。
  • 提供 tiny 到 large 多种尺寸，越大越准但越慢。
  • 以开源权重发布，可完全离线部署。

为什么值得用

  • 对噪声与口音有较强鲁棒性，开箱即用无需微调。
  • 本地运行可保护音频隐私。
  • 社区基于它衍生出大量字幕、会议纪要工具。

怎么用

安装 Python 包后即可在命令行转写音频：

pip install openai-whisper
whisper meeting.mp3 --model medium --language Chinese --task transcribe

在代码中使用也只需几行：

import whisper

model = whisper.load_model("base")
result = model.transcribe("meeting.mp3", language="Chinese")
print(result["text"])

注意点

  • 大模型（large）对显存要求较高，低配设备建议用 small 或 base。
  • 识别结果不含说话人分离，多角色会议需配合额外工具。
  • 长音频建议预先分段，以提升准确率与内存可控性。

小结

Whisper 以开源、多语种与本地可部署的特性，成为语音转写的事实标准之一。配合合适的模型尺寸，它能高效产出字幕与纪要，是音频内容结构化的首选工具。

参考与延伸阅读

本文累计阅读 — 次