用途：Whisper 是 OpenAI 的多语言语音识别模型，用于语音转文字（99 种语言）、播客/视频转写、会议记录自动化、翻译成英文、嘈杂音频转写和多语言音频处理。
主要能力：支持转写与翻译两种任务；可自动检测语言或指定语言；提供词级时间戳；支持 initial_prompt 提升技术术语与专有名词准确率；支持温度回退重试；可输出 txt、srt、vtt、json 等格式；支持 GPU 加速（约快 10-20 倍）。模型有 tiny、base、small、medium、large、turbo 等规格，turbo 速度与质量较均衡，base 适合原型验证。
使用方式：需 Python 3.8-3.11 与 ffmpeg。安装：pip install -U openai-whisper；macOS 用 brew install ffmpeg，Ubuntu 用 sudo apt install ffmpeg，Windows 用 choco install ffmpeg。Python 中加载模型并转写：model = whisper.load_model("base")；result = model.transcribe("audio.mp3")。命令行：whisper audio.mp3 --model turbo --output_format srt。实时流式可改用 faster-whisper。
适用场景：字幕生成、视频/播客转写、会议记录、多语言音频处理、结合 LangChain 做 RAG 等。
限制：可能产生幻觉（重复或编造文本）；超过 30 分钟的长音频准确率下降；不支持说话人分离；口音与背景噪声会影响质量；不适合实时字幕；不同语言质量有差异。性能与显存需求随模型规格变化，需按硬件选择。