本地离线语音转文字专家

OpenAI官方开源Whisper CLI封装，本地离线语音识别，无需API密钥，保护隐私的同时提供高质量转录与翻译能力。

基本信息

• 技能名称?openai-whisper
• 中文名称?本地离线语音转文字专家
• 作者?steipete
• 分类?效率
• 版本?v1.0.0
• 标签?content-media, productivity, docs, automation, education-research

使用方法

使用说明
核心用法
openai-whisper 是一个纯配置型 Skill，通过封装 OpenAI Whisper CLI 实现本地语音识别功能。用户只需调用 whisper 命令并指定音频文件路径即可完成转录，支持多种输出格式（txt、srt 等）和任务类型（transcribe/translate）。典型用法包括：： whisper /path/audio.mp3 --model medium --output_format txt 进行本地转录，或使用 --task translate 将非英语音频翻译为英文。模型默认使用 turbo 版本，首次运行时会自动下载到 ~/.cache/whisper 目录。
显著优点
隐私优先设计 ：所有音频处理完全在本地完成，无需上传至任何云端服务，特别适合处理敏感语音内容。 零 API 成本 ：无需申请或配置 API 密钥，彻底消除调用费用和速率限制困扰。 开源可信 ：依托 OpenAI 官方开源项目（GitHub 80k+ stars），代码完全透明可审计。 多语言支持 ：Whisper 模型覆盖 99 种语言，支持自动语言检测和跨语言翻译。 灵活可控 ：用户可根据需求在速度与精度间自由权衡，从 tiny 到 large-v3 多档模型可选。
潜在缺点与局限性
硬件资源消耗 ：较大模型（如 large-v3）需要显著 GPU/CPU 内存和计算资源，低配设备可能运行缓慢。 首次启动延迟 ：模型文件体积庞大（数百 MB 至数 GB），首次使用需等待下载完成。 无实时流式能力 ：CLI 版本仅支持文件级批处理，无法直接用于实时语音输入场景。 转录精度边界 ：对于重度口音、专业术语或嘈杂环境，识别准确率仍有提升空间。 依赖管理成本 ：需通过 Homebrew 维护 whisper 二进制文件的版本更新。
适合的目标群体
隐私敏感型用户 ：记者、律师、医疗工作者等需处理机密录音的专业人士
内容创作者 ：播客主、视频博主需要快速生成字幕或文稿
研究人员 ：需批量处理访谈录音、会议记录的学术工作者
企业内网环境 ：无法连接外部 API 的离线或高安全隔离场景
多语言工作者 ：需处理小语种音频的翻译或本地化团队
使用风险
性能风险 ：大型模型转录长音频可能耗时数分钟至数小时，建议根据时效要求选择合适模型档位。 存储风险 ：多模型缓存可能占用数 GB 磁盘空间，需定期清理 ~/.cache/whisper 。 依赖风险 ：Whisper CLI 版本更新可能引入不兼容变更，建议锁定稳定版本。 供应链风险 ：虽 Homebrew 和 OpenAI 官方源可信度极高，但仍建议验证安装包签名。