本地高精度语音转文字

OpenAI Whisper CLI 本地语音转文字工具，无需 API 密钥，纯离线运行

基本信息

• 技能名称?Openai Whisper
• 中文名称?本地高精度语音转文字
• 作者?steipete
• 分类?专业技能
• 版本?1.0.0
• 标签?speech-to-text, audio-transcription, openai, local-ai, cli-tool, privacy-first, multilingual, subtitle-generation, offline

使用方法

使用说明
核心用法
openai-whisper 是一款基于 OpenAI Whisper 模型的本地语音转文字 CLI 工具封装 Skill。用户通过简单的命令行指令即可完成音频转录：
基础转录 ： whisper /path/audio.mp3 --model medium --output_format txt --output_dir .
翻译模式 ： whisper /path/audio.m4a --task translate --output_format srt
首次运行会自动下载模型到 ~/.cache/whisper ，默认使用 turbo 模型以平衡速度与精度。支持多种输出格式（txt/srt/json等）和大小模型切换（tiny/base/small/medium/large/turbo）。
显著优点

1. 完全本地运行 ：无需联网、无需 API Key，保护隐私数据不外流
2. 多语言支持 ：Whisper 原生支持 99 种语言的语音识别与翻译
3. 高精度转录 ：large-v3 模型在多数基准测试中达到人类级准确率
4. 零成本 ：开源免费，无按量计费或订阅费用
5. 格式灵活 ：支持 mp3/wav/m4a/flac 等主流音频格式，输出字幕/纯文本/时间戳
   潜在局限
   硬件要求 ：大模型（large）需 10GB+ 显存或充足内存，低配设备仅能运行 tiny/base
   初次下载 ：模型文件 1-3GB，首次使用需等待下载
   实时性 ：非流式架构，需等待完整音频处理，不适合实时会议字幕
   依赖管理 ：需用户自行维护本地 whisper 安装版本
   适合人群
   隐私敏感用户（医疗/法律/金融转录场景）
   播客/视频创作者需要批量生成字幕
   研究者处理采访录音或会议记录
   无稳定网络环境或 API 预算限制的用户
   常规风险
   转录质量受音频清晰度、背景噪音、口音影响
   敏感内容转录后需人工复核，模型可能产生幻觉式错误
   大型模型运行时风扇噪音与电池消耗显著
   speech-to-text audio-transcription openai local-ai cli-tool privacy-first multilingual subtitle-generation offline