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
内容摘要

一句话概述：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）。

你将了解到：

  • 原理背景
  • 分步操作
  • 批量处理一个文件夹
  • 常见错误排查
  • 高频 FAQ
  • 更多实战技巧

适合人群：想快速判断这篇内容值不值得读的读者。

全文共 8 个章节，按「原理背景 → 更多实战技巧」的顺序展开，每节都能单独查阅，配有可直接照做的清单与模板。

内容侧重可落地的操作流程与常见坑点，读完就能对照自己的情况动手，不需要额外补理论基础。

既适合按章节顺序通读一遍建立完整认知，也适合遇到具体问题时按需查阅对应章节。

以上为全文要点速览，完整内容需解锁后阅读

🔒 付费文档

支付 5 积分后即可解锁全部内容