Whisper（OpenAI 语音识别）

Whisper 是 OpenAI 推出的开源自动语音识别（ASR）模型，能够将语音音频转写为文字，并支持把多种外语语音直接翻译成英文文本。

概述

Whisper 于 2022 年由 OpenAI 发布并开源，采用 Transformer 编码器-解码器架构，在互联网上收集的数十万小时多语言语音数据上训练而成。与许多只针对单一语言、干净录音优化的传统识别系统不同，Whisper 见过大量口音、背景噪声和专业术语，因此在真实场景下表现稳健，被称为「开箱即用」的语音转文字方案。

模型按参数规模分为多个档位，从可在普通电脑甚至手机上运行的小模型，到精度更高的 large 系列，用户可以按硬件条件和精度需求取舍。除了官方开源版本，OpenAI 也通过 API 提供云端转写服务；社区还衍生出 faster-whisper、whisper.cpp 等加速与轻量化实现，让本地部署更容易。

主要特点

• 多语言支持：可识别包括中文在内的数十种语言，并能自动检测语种。
• 转写加翻译：既能同语言转写，也能把外语语音直接译成英文。
• 鲁棒性强：对口音、噪声和专业词汇的容错能力好于许多传统方案。
• 完全开源：采用宽松的 MIT 协议，模型权重和代码均可免费商用。
• 生态丰富：字幕工具、剪辑软件、会议记录应用大量集成 Whisper。

典型用途

常见用法包括给视频自动生成字幕、把播客和会议录音整理成文字稿、为聊天机器人提供语音输入能力等。对中文用户来说，配合剪辑或字幕软件使用 Whisper，可以大幅减少人工听打的工作量。

常见问题

问：Whisper 免费吗？答：开源版本完全免费，可自行下载在本地运行；若使用 OpenAI 的云端 API 则按用量计费。

问：Whisper 识别中文效果如何？答：整体可用性不错，尤其是 large 档模型，但在生僻词、重口音或简繁转换上偶有偏差，重要场景建议人工校对。

问：本地运行需要什么配置？答：小模型普通 CPU 即可运行，大模型建议使用带显存的独立显卡；也可选 faster-whisper、whisper.cpp 等优化版降低硬件门槛。