Whisper云端语音转写，一键生成字幕

基于OpenAI Whisper模型的云端语音转文字服务，支持99+语言、时间戳标注与英译功能，适合会议记录与字幕生成

基本信息

• 技能名称?Speech To Text
• 中文名称?Whisper云端语音转写，一键生成字幕
• 作者?okaris
• 分类?专业技能
• 版本?0.1.5
• 标签?whisper, speech-to-text, transcription, subtitle-generation, multi-language, ai-translation, cli-tool, meeting-notes, podcast-production, accessibility

使用方法

使用说明
核心用法
speech-to-text 是一款通过 inference.sh CLI 调用 Whisper 模型的语音转文字工具，提供两条命令行路径：

1. 快速安装 ： curl -fsSL https://cli.inference.sh | sh && infsh login ，脚本仅检测系统架构、下载匹配二进制并校验SHA-256，无需提权
2. 模型调用 ：
   基础转写： infsh app run infsh/fast-whisper-large-v3 --input '{"audio_url": "URL"}'
   带时间戳：添加 "timestamps": true
   翻译为英文：指定 "task": "translate"
   视频处理：先通过 infsh/video-audio-extractor 提取音频再转写
   输出为结构化JSON，包含完整文本、分段时间戳（可选）及自动检测的语言标识。
   显著优点
   双模型策略 ：Fast Whisper V3 平衡速度，Whisper V3 Large 追求精度
   多语言能力 ：官方宣称支持99+语言，覆盖主流语系
   工作流整合 ：与 caption-videos 、 ai-avatar-video 等技能形成视频字幕完整 pipeline
   CLI原生设计 ：Unix哲学，管道友好，易于脚本化批量处理
   零本地算力 ：纯云端推理，终端设备仅需网络连接
   潜在局限
   网络依赖 ：音频文件需上传至可访问URL，隐私敏感场景受限
   成本不透明 ：inference.sh采用用量计费，但未公开具体定价
   无实时流式 ：仅支持录制文件批处理，无法直播实时字幕
   中文场景 ：Whisper对中文专有名词、口音识别存在已知误差
   供应商锁定 ：CLI与模型生态深度绑定inference.sh平台
   适合人群
   内容创作者（播客/视频制作）、远程协作团队、研究人员、无障碍服务开发者，以及需要将非结构化音频转化为可搜索文本的知识工作者。
   常规风险
3. 数据隐私 ：音频上传至第三方云推理节点，敏感会议/医疗/法律内容需谨慎评估
4. 转写准确性 ：说话人重叠、背景噪音、专业术语场景需人工复核
5. 服务连续性 ：单一供应商架构，平台变更可能影响可用性
6. URL持久性 ：输入音频需保持可访问直至处理完成