Whisper 音频转写技能用于将音频文件转录为文本，底层使用 OpenAI Whisper。
用途 该技能面向需要把语音内容转换为可编辑文本的场景，例如整理会议录音、访谈记录、字幕素材等。它通过命令行脚本完成转写，不依赖图形界面。
主要能力
- 将音频文件（MP3、WAV、M4A、FLAC、OGG 等）转写为文本。
- 支持 90 多种语言，并可自动检测语言。
- 可选生成时间戳。
- 提供多种模型大小：tiny、base、small、medium、large。
- 输出格式支持纯文本或 JSON。
使用方式 基本转写命令： python3 scripts/transcribe.py <audio_file> <output_file>
带选项的示例：
指定模型大小（默认：base）
python3 scripts/transcribe.py audio.mp3 transcript.txt --model medium
指定语言（可提高准确率）
python3 scripts/transcribe.py audio.mp3 transcript.txt --language zh
包含时间戳
python3 scripts/transcribe.py audio.mp3 transcript.txt --timestamps
输出 JSON 及元数据
python3 scripts/transcribe.py audio.mp3 output.json --format json
参数说明
- audio_file（必填）：输入音频文件路径。
- output_file（必填）：输出文本或 JSON 文件路径。
- --model：Whisper 模型大小（tiny/base/small/medium/large，默认 base）。
- --language：语言代码（如 en、zh、es、fr，auto 表示自动检测）。
- --timestamps：在输出中包含词级时间戳。
- --format：输出格式（text/json，默认 text）。
模型大小
- tiny：39M 参数，约 32 倍速，准确率 Good，内存约 1GB。
- base：74M 参数，约 16 倍速，准确率 Better，内存约 1GB。
- small：244M 参数，约 6 倍速，准确率 Great，内存约 2GB。
- medium：769M 参数，约 2 倍速，准确率 Excellent，内存约 5GB。
- large：1.5B 参数，1 倍速，准确率 Best，内存约 10GB。
支持的音频格式 MP3、WAV、M4A、FLAC、OGG、AAC、WMA 等（通过 FFmpeg 支持）。
依赖
- Python 3.8+
- openai-whisper
- ffmpeg
安装 pip install openai-whisper sudo apt-get install ffmpeg # Ubuntu/Debian
适用场景 适合需要批量或脚本化处理音频转文字的开发者与内容工作者，可根据对速度、准确率和内存的权衡选择不同模型大小。
限制 资料未提供关于收费、价格、平台支持范围、转写时长上限或并发能力的信息，暂未提供。