Whisper 语音识别教程

Whisper 是 OpenAI 开源的一个通用语音识别模型。与传统的语音识别服务（如百度、谷歌 API）不同，Whisper 是完全开源免费的，你可以把它下载到自己的电脑上离线运行。它是目前全球公认的开源语音识别效果的天花板。

1. 核心优势

• 离线隐私：所有数据都在本地处理，不需要联网，非常适合处理敏感的商业录音或个人数据。
• 多语言翻译：它不仅能识别 99 种语言，还能帮你把这些语言直接翻译成英文。
• 抗噪能力强：即使录音背景嘈杂（如咖啡厅、街道），Whisper 依然能准确识别。

2. 模型选择 (Model Sizes)

Whisper 提供了不同大小的模型，以平衡速度和精度：

3. 如何使用

3.1 极客玩法 (Python/命令行)

这是最灵动的方式，需要安装 Python 和 FFmpeg。

1. 安装：

   pip install -U openai-whisper
   

2. 命令行一键转写：

   whisper audio.mp3 --model distinct --language Chinese
   

   运行完后，它会在当前目录生成 .txt, .srt (字幕文件) 等格式。

3. Python 代码调用：

   import whisper
   
   model = whisper.load_model("base")
   result = model.transcribe("audio.mp3")
   print(result["text"])
   

3.2 普通用户玩法 (推荐工具)

如果你不想敲代码，可以使用基于 Whisper 封装的软件：

• Mac 用户：推荐 MacWhisper，界面极其优雅，拖入文件即可生成字幕。
• Windows 用户：推荐 Buzz 或 Whisper Desktop。

4. 常见问题

• 速度慢？ Whisper 依赖 GPU 加速。如果你用 CPU 跑 large 模型，可能会非常慢。建议使用 Nvidia 显卡并配置好 CUDA 环境。
• 中英夹杂？ Whisper 对中英混合的识别能力在 large 模型下表现最好，小模型可能会漏掉英文单词。

---

Whisper 彻底改变了字幕组和速记员的工作方式，它是 AI 时代的万能听写员。