title: “Whisper — OpenAI’s general-purpose speech recognition model” sidebar_label: “Whisper” description: “OpenAI’s general-purpose speech recognition model”

{/* 本页面由 website/scripts/generate-skill-docs.py 根据技能对应的 SKILL.md 文件自动生成。请直接编辑源文件 SKILL.md，而非此页面。 */}

Whisper

OpenAI 开发的通用语音识别模型。支持 99 种语言，具备文本转录、英文翻译以及语言识别功能。模型规模从小型（3900 万参数）到大型（15.5 亿参数）不等，可用于文本转语音、播客转录或多语言音频处理。是实现稳定、多语言语音识别的理想选择。

技能元数据

参考：完整的 SKILL.md 文件

:::info 以下是当触发该技能时 Hermes 所加载的完整技能定义。技能处于激活状态时，智能体将依据此内容执行相应操作。

::

Whisper —— 稳定的语音识别解决方案

OpenAI 开发的多语言语音识别模型。

何时使用 Whisper

适用场景：

• 文本转语音转录（支持 99 种语言）
• 播客/视频转录
• 会议记录自动生成
• 英文翻译
• 噪音环境下的音频转录
• 多语言音频处理

核心数据指标：

• GitHub 星标数超过 72,900 个
• 支持 99 种语言
• 基于 68 万小时的音频数据训练
• 采用 MIT 许可协议

可选替代方案：

• AssemblyAI：托管型 API，支持说话人分离功能
• Deepgram：实时流式语音识别服务
• Google Speech-to-Text：基于云端的解决方案

快速入门

安装

# Requires Python 3.8-3.11
pip install -U openai-whisper

# Requires ffmpeg
# macOS: brew install ffmpeg
# Ubuntu: sudo apt install ffmpeg
# Windows: choco install ffmpeg

基本转录功能

import whisper

# Load model
model = whisper.load_model("base")

# Transcribe
result = model.transcribe("audio.mp3")

# Print text
print(result["text"])

# Access segments
for segment in result["segments"]:
    print(f"[{segment['start']:.2f}s - {segment['end']:.2f}s] {segment['text']}")

模型尺寸

# Available models
models = ["tiny", "base", "small", "medium", "large", "turbo"]

# Load specific model
model = whisper.load_model("turbo")  # Fastest, good quality

推荐方案：如需最佳的速度与质量，建议使用 turbo 模型；进行原型开发时则可选择 base 模型。

文本转录选项

语言设置

# Auto-detect language
result = model.transcribe("audio.mp3")

# Specify language (faster)
result = model.transcribe("audio.mp3", language="en")

# Supported: en, es, fr, de, it, pt, ru, ja, ko, zh, and 89 more

任务选择

# Transcription (default)
result = model.transcribe("audio.mp3", task="transcribe")

# Translation to English
result = model.transcribe("spanish.mp3", task="translate")
# Input: Spanish audio → Output: English text

初始提示词

# Improve accuracy with context
result = model.transcribe(
    "audio.mp3",
    initial_prompt="This is a technical podcast about machine learning and AI."
)

# Helps with:
# - Technical terms
# - Proper nouns
# - Domain-specific vocabulary

时间戳

# Word-level timestamps
result = model.transcribe("audio.mp3", word_timestamps=True)

for segment in result["segments"]:
    for word in segment["words"]:
        print(f"{word['word']} ({word['start']:.2f}s - {word['end']:.2f}s)")

温度值回退机制

# Retry with different temperatures if confidence low
result = model.transcribe(
    "audio.mp3",
    temperature=(0.0, 0.2, 0.4, 0.6, 0.8, 1.0)
)

命令行使用方式

# Basic transcription
whisper audio.mp3

# Specify model
whisper audio.mp3 --model turbo

# Output formats
whisper audio.mp3 --output_format txt     # Plain text
whisper audio.mp3 --output_format srt     # Subtitles
whisper audio.mp3 --output_format vtt     # WebVTT
whisper audio.mp3 --output_format json    # JSON with timestamps

# Language
whisper audio.mp3 --language Spanish

# Translation
whisper spanish.mp3 --task translate

批量处理

import os

audio_files = ["file1.mp3", "file2.mp3", "file3.mp3"]

for audio_file in audio_files:
    print(f"Transcribing {audio_file}...")
    result = model.transcribe(audio_file)

    # Save to file
    output_file = audio_file.replace(".mp3", ".txt")
    with open(output_file, "w") as f:
        f.write(result["text"])

实时转录功能

# For streaming audio, use faster-whisper
# pip install faster-whisper

from faster_whisper import WhisperModel

model = WhisperModel("base", device="cuda", compute_type="float16")

# Transcribe with streaming
segments, info = model.transcribe("audio.mp3", beam_size=5)

for segment in segments:
    print(f"[{segment.start:.2f}s -> {segment.end:.2f}s] {segment.text}")

GPU加速功能

import whisper

# Automatically uses GPU if available
model = whisper.load_model("turbo")

# Force CPU
model = whisper.load_model("turbo", device="cpu")

# Force GPU
model = whisper.load_model("turbo", device="cuda")

# 10-20× faster on GPU

与其他工具的集成

字幕生成

# Generate SRT subtitles
whisper video.mp4 --output_format srt --language English

# Output: video.srt

集成 LangChain 使用

from langchain.document_loaders import WhisperTranscriptionLoader

loader = WhisperTranscriptionLoader(file_path="audio.mp3")
docs = loader.load()

# Use transcription in RAG
from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings

vectorstore = Chroma.from_documents(docs, OpenAIEmbeddings())

从视频中提取音频

# Use ffmpeg to extract audio
ffmpeg -i video.mp4 -vn -acodec pcm_s16le audio.wav

# Then transcribe
whisper audio.wav

最佳实践

1. 使用 Turbo 模型 – 英语内容的速度与质量最佳
2. 明确指定语言 – 比自动检测更快
3. 添加初始提示词 – 更好地处理专业术语
4. 启用 GPU 加速 – 速度提升 10–20 倍
5. 批量处理 – 提高效率
6. 转换为 WAV 格式 – 兼容性更好
7. 拆分长音频文件 – 每段时长控制在 30 分钟以内
8. 确认语言支持情况 – 不同语言的生成质量有所差异
9. 使用 faster-whisper 模型 – 速度比 openai-whisper 快 4 倍
10. 监控显存使用情况 – 根据硬件条件调整模型大小

性能表现

实时处理系数说明：0.1 表示实时处理速度为基准值的 10 倍

支持的语言

最广泛支持的语言包括：

• 英语（en）
• 西班牙语（es）
• 法语（fr）
• 德语（de）
• 意大利语（it）
• 葡萄牙语（pt）
• 俄语（ru）
• 日语（ja）
• 韩语（ko）
• 中文（zh）

完整列表：共支持 99 种语言

局限性

1. 幻觉现象 – 可能会重复或编造内容
2. 长音频处理精度 – 长度超过 30 分钟的音频效果较差
3. 说话人识别功能缺失 – 不支持语音分段
4. 口音处理效果不一 – 不同口音的生成质量差异较大
5. 背景噪音影响 – 可能降低生成准确性
6. 实时延迟 – 不适合用于实时字幕生成

相关资源

• GitHub 仓库：https://github.com/openai/whisper ⭐ 72,900+ 次点赞
• 研究论文：https://arxiv.org/abs/2212.04356
• 模型说明文档：https://github.com/openai/whisper/blob/main/model-card.md
• Colab 实验环境：可在仓库中找到
• 许可证：MIT 许可证