Skip to main content

Whisper

OpenAI 的通用语音识别模型。支持 99 种语言、转录、翻译成英语以及语言识别。提供六种模型大小，从 tiny（3900 万参数）到 large（15.5 亿参数）。适用于语音转文字、播客转录或多语言音频处理。最适合用于稳健的多语言 ASR。

技能元数据​

来源可选 — 使用 hermes skills install official/mlops/whisper 安装
路径optional-skills/mlops/whisper
版本1.0.0
作者Orchestra Research
许可证MIT
依赖项openai-whisper, transformers, torch
平台linux, macos
标签Whisper, Speech Recognition, ASR, Multimodal, Multilingual, OpenAI, Speech-To-Text, Transcription, Translation, Audio Processing

参考资料：完整 SKILL.md​

info

以下是 Hermes 在触发此技能时加载的完整技能定义。这是技能激活时 Agent 看到的指令。

Whisper - 稳健的语音识别

OpenAI 的多语言语音识别模型。

何时使用 Whisper​

适用场景：

  • 语音转文字转录（99 种语言）
  • 播客/视频转录
  • 会议笔记自动化
  • 翻译成英语
  • 嘈杂音频转录
  • 多语言音频处理

指标：

  • 72,900+ GitHub 星标
  • 支持 99 种语言
  • 基于 68 万小时音频训练
  • MIT 许可证

替代方案：

  • AssemblyAI：托管 API，说话人分离
  • Deepgram：实时流式 ASR
  • Google Speech-to-Text：云端方案

快速开始​

安装​

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

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

基础转录​

import whisper

# 加载模型
model = whisper.load_model("base")

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

# 打印文本
print(result["text"])

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

模型大小​

# 可用模型
models = ["tiny", "base", "small", "medium", "large", "turbo"]

# 加载特定模型
model = whisper.load_model("turbo")  # 最快，质量佳
模型参数仅英语多语言速度显存
tiny39M✓✓~32x~1 GB
base74M✓✓~16x~1 GB
small244M✓✓~6x~2 GB
medium769M✓✓~2x~5 GB
large1550M✗✓1x~10 GB
turbo809M✗✓~8x~6 GB

建议：追求速度与质量的最佳平衡用 turbo，原型开发用 base

转录选项​

语言指定​

# 自动检测语言
result = model.transcribe("audio.mp3")

# 指定语言（更快）
result = model.transcribe("audio.mp3", language="en")

# 支持的语言：en, es, fr, de, it, pt, ru, ja, ko, zh 以及另外 89 种

任务选择​

# 转录（默认）
result = model.transcribe("audio.mp3", task="transcribe")

# 翻译成英文
result = model.transcribe("spanish.mp3", task="translate")
# 输入：西班牙语音频 → 输出：英文文本

初始提示​

# 通过上下文提高准确率
result = model.transcribe(
    "audio.mp3",
    initial_prompt="这是一期关于机器学习和 AI 的技术播客。"
)

# 有助于：
# - 技术术语
# - 专有名词
# - 领域特定词汇

时间戳​

# 词级时间戳
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)")

温度回退​

# 当置信度较低时，使用不同温度重试
result = model.transcribe(
    "audio.mp3",
    temperature=(0.0, 0.2, 0.4, 0.6, 0.8, 1.0)
)

命令行使用​

# 基础转录
whisper audio.mp3

# 指定模型
whisper audio.mp3 --model turbo

# 输出格式
whisper audio.mp3 --output_format txt     # 纯文本
whisper audio.mp3 --output_format srt     # 字幕
whisper audio.mp3 --output_format vtt     # WebVTT
whisper audio.mp3 --output_format json    # 带时间戳的 JSON

# 语言
whisper audio.mp3 --language Spanish

# 翻译
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"正在转录 {audio_file}...")
    result = model.transcribe(audio_file)

    # 保存到文件
    output_file = audio_file.replace(".mp3", ".txt")
    with open(output_file, "w") as f:
        f.write(result["text"])

实时转录​

# 对于流式音频，请使用 faster-whisper
# pip install faster-whisper

from faster_whisper import WhisperModel

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

# 流式转录
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​

import whisper

# 自动使用 GPU（如果可用）
model = whisper.load_model("turbo")

# 强制使用 CPU
model = whisper.load_model("turbo", device="cpu")

# 强制使用 GPU
model = whisper.load_model("turbo", device="cuda")

# 在 GPU 上快 10–20 倍

与其他工具集成​

字幕生成​

# 生成 SRT 字幕
whisper video.mp4 --output_format srt --language English

# 输出：video.srt

与 LangChain 配合使用​

from langchain.document_loaders import WhisperTranscriptionLoader

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

# 在 RAG 中使用转录结果
from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings

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

从视频中提取音频​

# 使用 ffmpeg 提取音频
ffmpeg -i video.mp4 -vn -acodec pcm_s16le audio.wav

# 然后进行转录
whisper audio.wav

最佳实践​

  1. 使用 turbo 模型 - 英语的最佳速度/质量比
  2. 指定语言 - 比自动检测更快
  3. 添加初始提示 - 提升专业术语识别
  4. 使用 GPU - 快 10-20 倍
  5. 批量处理 - 更高效
  6. 转换为 WAV - 兼容性更好
  7. 分割长音频 - 每段少于 30 分钟
  8. 检查语言支持 - 质量因语言而异
  9. 使用 faster-whisper - 比 openai-whisper 快 4 倍
  10. 监控显存 - 根据硬件调整模型大小

性能​

模型实时因子 (CPU)实时因子 (GPU)
tiny~0.32~0.01
base~0.16~0.01
turbo~0.08~0.01
large~1.0~0.05

实时因子: 0.1 = 比实时快 10 倍

语言支持​

支持度最高的语言：

  • 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 99 种语言

局限性​

  1. 幻觉 - 可能重复或编造文本
  2. 长音频准确度 - 超过 30 分钟的音频时下降
  3. 说话人识别 - 不支持说话人区分
  4. 口音 - 质量因口音而异
  5. 背景噪音 - 可能影响准确性
  6. 实时延迟 - 不适合实时字幕

资源​