Whisper语音转文字：本地免费录音转写方案
🩺 摘要
开会录音一小时，整理笔记两小时。有没有办法自动把录音转成文字？Whisper可以，而且完全免费、本地运行、隐私安全。
📝 详情
Whisper是什么
Whisper是OpenAI开源的语音识别模型。免费、可本地部署、支持99种语言（包括中文）。
有两种用法： - Whisper命令行 — 最简单的使用方式 - WhisperX — 带说话人识别（知道谁说了什么）
快速使用
# 安装
pip install openai-whisper
# 转录音频文件
whisper 会议录音.mp3 --model small --language Chinese
几秒到几分钟（取决于音频长度），输出文本文件。
模型选择
| 模型 | 大小 | 速度 | 准确率 | 推荐场景 |
|---|---|---|---|---|
| tiny | 39MB | 极快 | 一般 | 实时语音 |
| base | 74MB | 快 | 还行 | 日常使用 |
| small | 244MB | 较快 | 良好 | 推荐 |
| medium | 769MB | 中等 | 好 | 中文语音推荐 |
| large | 1.5GB | 慢 | 最好 | 高精度需求 |
中文语音推荐用 medium 或 large 模型。
Python调用
import whisper
model = whisper.load_model("medium")
result = model.transcribe("会议录音.mp3", language="zh")
# 输出全文
print(result["text"])
# 带时间戳的片段
for segment in result["segments"]:
start = segment["start"]
end = segment["end"]
text = segment["text"]
print(f"[{start:.1f}s - {end:.1f}s] {text}")
WhisperX：说话人识别
pip install whisperx
whisperx 会议录音.mp3 --model medium --language zh
输出结果会标注每句话是谁说的：
[张三 00:00:05] 今天会议主要讨论三个议题
[李四 00:00:12] 我先说一下进度
[张三 00:00:30] 好的，请说
跟云服务比
| 方案 | 价格 | 隐私 | 准确率 |
|---|---|---|---|
| Whisper本地 | 免费 | 数据不出门 | 良好 |
| 讯飞语音 | 免费额度 | 上传到云端 | 优秀 |
| 阿里云语音 | 按小时收费 | 上传到云端 | 优秀 |
| OpenAI Whisper API | $0.006/分钟 | 上传到云端 | 优秀 |
本地Whisper的优势：免费、隐私、无限量。
硬件要求
| 模型 | 最低内存 | 推荐 |
|---|---|---|
| tiny | 1GB | 手机都能跑 |
| small | 2GB | 所有电脑 |
| medium | 5GB | 8GB内存以上 |
| large | 10GB | 16GB内存以上 |
CPU也能跑，只是慢一点。1小时音频用medium模型大约10-15分钟。
一句话
Whisper把录音转文字的准确率已经够用了，还免费。开会录音不用再手动整理了。
💬 评论 (0)