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。提供从 tiny（3900 万参数）到 large（15.5 亿参数）的六种模型尺寸。适用于语音转文本、播客转录或多语言音频处理。最适合用于稳健的多语言自动语音识别 (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`
标签	`Whisper`, `Speech Recognition`, `ASR`, `Multimodal`, `Multilingual`, `OpenAI`, `Speech-To-Text`, `Transcription`, `Translation`, `Audio Processing`

参考：完整 SKILL.md

信息

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

Whisper - 稳健的语音识别

OpenAI 的多语言语音识别模型。

何时使用 Whisper

使用时机：

语音转文本转录（支持 99 种语言）
播客/视频转录
会议纪要自动化
翻译成英语
嘈杂音频转录
多语言音频处理

指标：

GitHub 星标超过 72,900+
支持 99 种语言
基于 680,000 小时音频训练
MIT 许可证

改用替代方案：

AssemblyAI：托管 API，说话人分离
Deepgram：实时流式 ASR
Google Speech-to-Text：基于云的服务

快速开始

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

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

模型	参数量	仅英语	多语言	速度	显存 (VRAM)
tiny	3900 万	✓	✓	~32 倍	~1 GB
base	7400 万	✓	✓	~16 倍	~1 GB
small	2.44 亿	✓	✓	~6 倍	~2 GB
medium	7.69 亿	✓	✓	~2 倍	~5 GB
large	15.5 亿	✗	✓	1 倍	~10 GB
turbo	8.09 亿	✗	✓	~8 倍	~6 GB

建议：使用 turbo 以获得最佳速度/质量平衡，使用 base 进行原型开发

转录选项

语言指定

# 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)")

温度回退

# 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)
)

命令行用法

# 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

# 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

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

与其他工具集成

字幕生成

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

# Output: video.srt

与 LangChain 结合

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

使用 turbo 模型 - 英语场景下最佳的速度/质量平衡
指定语言 - 比自动检测更快
添加初始提示词 - 改善专业术语识别
使用 GPU - 速度快 10-20 倍
批量处理 - 效率更高
转换为 WAV - 兼容性更好
分割长音频 - 切成 <30 分钟的片段
检查语言支持 - 不同语言的质量有所差异
使用 faster-whisper - 比 openai-whisper 快 4 倍
监控显存 (VRAM) - 根据硬件调整模型尺寸

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 = 比实时速度快 10 倍

语言支持

支持最好的语言：

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

幻觉 - 可能会重复或编造文本
长形式准确性 - 超过 30 分钟的音频准确率下降
说话人识别 - 不支持说话人分离
口音 - 质量因口音而异
背景噪音 - 可能影响准确性
实时延迟 - 不适合实时字幕生成

资源

GitHub: https://github.com/openai/whisper ⭐ 72,900+
论文: https://arxiv.org/abs/2212.04356
模型卡片: https://github.com/openai/whisper/blob/main/model-card.md
Colab: 仓库中可用
许可证: MIT

技能元数据​

参考：完整 SKILL.md​

Whisper - 稳健的语音识别

何时使用 Whisper​

快速开始​

安装​

基本转录​

模型尺寸​

转录选项​

语言指定​

任务选择​

初始提示词​

时间戳​

温度回退​

命令行用法​

批量处理​

实时转录​

GPU 加速​

与其他工具集成​

字幕生成​

与 LangChain 结合​

从视频中提取音频​

最佳实践​

性能​

语言支持​

局限性​

资源​