你是否正被这些问题困扰？2小时会议录音，手动转录耗时又费力想给视频加字幕，付费制作性价比太低播客音频想转文字，逐句整理超费精力记者采访/用户访谈，大量录音整理压力大隐私敏感音频，不敢上传云端怕数据泄露openai-whisper——本地语音转文字神器，一站式解决所有难题！
什么是 openai-whisper？
OpenAI Whisper 是 OpenAI 开源的自动语音识别（ASR）模型 ，特点是：
| 特性 | 说明 |
|---|---|
 完全免费 |
无需 API Key，无需付费 |
 本地运行 |
数据不出本地，隐私安全 |
 多语言支持 |
支持 99 种语言，包括中文方言 |
 离线可用 |
下载模型后，无需联网也能用 |
 高准确率 |
接近人类水平的识别准确率 |
安装方法
方法一：使用 Homebrew（macOS 推荐）
brew install openai-whisper
方法二：使用 pip（Python 环境）
pip install openai-whisper
方法三：通过 OpenClaw Skill 安装
skillhub install openai-whisper
验证安装
whisper --help
快速上手
最简单的用法
whisper audio.mp3
这会在当前目录生成：
-
•
audio.txt— 纯文本转录 -
•
audio.srt— SRT 字幕文件 -
•
audio.vtt— VTT 字幕文件 -
•
audio.json— JSON 格式（带时间戳）
指定输出格式
# 只要纯文本whisper audio.mp3 --output_format txt# 只要字幕文件whisper audio.mp3 --output_format srt# 输出到指定目录whisper audio.mp3 --output_dir ./transcripts
模型选择
Whisper 提供多种模型，按大小和准确率排序：
| 模型 | 参数量 | 显存需求 | 速度 | 准确率 |
|---|---|---|---|---|
tiny |
39M | ~1GB |  |
 |
base |
74M | ~1GB | |
|
small |
244M | ~2GB | |
|
medium |
769M | ~5GB | |
|
large |
1550M | ~10GB | |
|
turbo |
809M | ~6GB | |
|
推荐：
-
• 日常使用：
turbo（速度与准确率平衡） -
• 快速转录：
base或small -
• 最高准确率：
large
# 使用 turbo 模型（默认）whisper audio.mp3 --model turbo# 使用 small 模型（更快）whisper audio.mp3 --model small# 使用 large 模型（最准确）whisper audio.mp3 --model large
支持的音频格式
Whisper 支持几乎所有常见音频/视频格式：
| 类型 | 格式 |
|---|---|
 音频 |
MP3, WAV, M4A, OGG, FLAC, AAC, OPUS |
 视频 |
MP4, MKV, AVI, MOV, WEBM |
 录音 |
iPhone .m4a, Android .ogg, 微信语音 |
实用参数详解
–language：指定语言
# 指定中文（提升准确率和速度）whisper audio.mp3 --language Chinese# 指定英文whisper audio.mp3 --language English# 指定日语whisper audio.mp3 --language Japanese
支持的语言： Chinese, English, Japanese, Korean, French, German, Spanish, Russian, Arabic 等 99 种语言。
–task：转录或翻译
# 转录（语音 → 文字，保持原语言）whisper audio.mp3 --task transcribe# 翻译（语音 → 英文文字）whisper audio.mp3 --task translate
–output_format：输出格式
| 格式 | 说明 | 用途 |
|---|---|---|
txt |
纯文本 | 阅读、编辑 |
srt |
SRT 字幕 | 视频字幕 |
vtt |
VTT 字幕 | 网页视频 |
json |
JSON 格式 | 程序处理 |
tsv |
TSV 格式 | 数据分析 |
–initial_prompt：初始提示
# 提供专业术语，提升准确率whisper audio.mp3 --initial_prompt "以下是技术会议录音，涉及人工智能、机器学习、深度学习等内容"
–temperature：采样温度
# 更确定性的输出（适合正式内容）whisper audio.mp3 --temperature 0# 更多样性的输出（适合创意内容）whisper audio.mp3 --temperature 0.5
实际应用场景
场景 1：会议录音转文字
# 快速转录会议录音whisper meeting_20240312.m4a --model turbo --language Chinese# 输出示例：# [00:00:00] 大家好，今天我们讨论一下 Q1 的销售情况...# [00:05:30] 关于产品路线图，我这边有几个建议...# [00:15:00] 最后总结一下今天的行动项...
场景 2：视频字幕制作
# 生成 SRT 字幕文件whisper video.mp4 --model medium --output_format srt --language Chinese# 直接导入视频编辑软件使用
场景 3：播客转文章
# 转录播客内容whisper podcast_ep50.mp3 --model turbo --output_format txt# 然后用 AI 工具整理成文章
场景 4：批量处理音频
# 批量转录目录下所有音频for f in *.m4a; do whisper "$f" --model turbo --output_dir ./transcriptsdone
场景 5：外语视频翻译
# 日语视频翻译成英文whisper japanese_video.mp4 --task translate --language Japanese# 输出英文文字
在 OpenClaw 中使用
通过对话触发
用户：帮我转录这个音频文件 /path/to/meeting.mp3AI：[调用 openai-whisper skill，生成转录文本]
用户：把这个视频转成字幕AI：[调用 openai-whisper skill，生成 SRT 字幕]
指定语言和模型
用户：用 large 模型转录这个中文音频 /path/to/audio.mp3AI：[使用 large 模型转录]
与 API 版本对比
| 特性 | 本地 Whisper | OpenAI Whisper API |
|---|---|---|
| 费用 |  免费 |
 按时长收费 |
| 隐私 | 本地处理 |
 上传云端 |
| 离线 | 可用 |
需联网 |
| 速度 | 取决于硬件 |  更快 |
| 准确率 | 相同 | 相同 |
| 文件大小限制 | 无限制 |
 25MB |
高级技巧
1. 使用 GPU 加速
# 安装 CUDA 版本的 PyTorchpip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118# 自动使用 GPUwhisper audio.mp3 --model large
2. 合并分段字幕
# 设置最小分段长度whisper audio.mp3 --word_timestamps True
3. 处理长音频
# Whisper 自动分段处理长音频，无需额外操作whisper long_podcast.mp3 --model turbo
4. 指定设备
# 强制使用 CPUwhisper audio.mp3 --device cpu# 使用指定 GPUwhisper audio.mp3 --device cuda:0
常见问题
Q: 第一次运行很慢？
A: 首次使用会自动下载模型（tiny 150MB, large 3GB），下载后就会很快。
Q: 中文识别准确吗？
A: 非常准确！建议使用 --language Chinese 参数提升效果。
Q: 支持方言吗？
A: 支持多种中文方言，包括粤语、四川话等。
Q: 可以处理背景噪音吗？
A: Whisper 有一定抗噪能力，但背景噪音大时建议先用音频处理工具降噪。
Q: 显存不够怎么办？
A: 使用更小的模型（tiny/base），或强制使用 CPU（--device cpu ）。
总结
| 特性 | 说明 |
|---|---|
| 完全免费 |
无 API 费用，本地运行 |
| 隐私安全 |
数据不出本地 |
| 多语言 |
支持 99 种语言 |
| 离线可用 |
下载模型后无需联网 |
| 多格式 |
支持音频、视频、字幕输出 |
| 模型可选 |
tiny 到 large，速度与准确率平衡 |