SuperAPI AI 工具集

speech-to-text

通用与其它

查看项目

更新于 10-16 06:52

技能介绍

用途:把音频或视频文件转写为文字,默认使用本地 Whisper,无需 API key;也可改用 OpenAI Whisper API。

主要能力:支持 mp3、mp4、m4a、wav、ogg、flac、webm、mov 等输入格式;可自动检测语言或强制指定语言(如 en、zh、ja);输出格式包括 txt、srt、vtt、json 及 all;可指定输出目录,支持通配符批量转写,也能直接处理视频文件。

使用方式:先安装本地 Whisper:pip install openai-whisper(需 Python 3.8+),并安装 ffmpeg(如 brew install ffmpeg)。首次运行会自动下载模型到 ~/.cache/whisper/。常用命令:whisper audio.mp3;whisper audio.mp3 --model small;whisper audio.mp3 --language zh;whisper audio.mp3 --output_format srt;whisper audio.mp3 --output_dir ~/transcripts/;whisper *.mp3 --model base --output_dir ./transcripts/。模型可选 tiny、base、small、medium、large,体积与精度递增,默认建议 30 分钟以内用 base,更长用 small。若本地过慢且有 API key,可用 curl 调用 https://api.openai.com/v1/audio/transcriptions,模型为 whisper-1。

适用场景:会议录音转写、视频字幕生成、中文或日文等指定语言转写、批量音频处理。

限制:使用 medium 或 large 模型处理可能耗时数分钟;超过 1 小时的文件建议先用 ffmpeg 拆分;本地运行需自行安装依赖与 ffmpeg。资料未提供收费、价格与效果保证等信息。