Whisper 语音转文字完全教程：用 OpenAI 开源模型把会议录音、视频本地转成文字稿

适用人群：需要把会议录音、访谈、视频、网课转成文字的人（记者、学生、运营、开发者）。 读完你能做到：在本地用 Whisper 把音频/视频转写成带时间戳的文字，并批量处理长文件。

一、原理背景

Whisper 是什么？ OpenAI 2022 开源的自动语音识别（ASR）模型，支持 99 种语言，包括中文，且能自动识别语言、加标点、做翻译。最大优点是可完全本地运行，隐私不上云。

模型尺寸（精度 vs 速度权衡）：

  • tiny/base/small：快、轻，精度一般。
  • medium/large：准，但吃显存/内存、慢。 中文建议至少 small 或 medium。

工作流程：音频 → 切 30 秒片段 → 模型预测 token → 拼成文字 + 时间戳。

二、分步操作

步骤 1：装依赖

# 先装 ffmpeg（Whisper 依赖它读各种音视频格式）
# macOS: brew install ffmpeg   Ubuntu: sudo apt install ffmpeg
pip install openai-whisper

步骤 2：转写一段音频

whisper meeting.mp3 --model small --language Chinese --o

🔒 付费文档

支付 5 积分后即可解锁全部内容