用途:把音频转成文本,或从音视频生成 SRT 字幕,也可将字幕合并进视频,适合会议记录、访谈整理、视频字幕等需要本地转写的场景。
主要能力:基于 whisper.cpp 的本地语音识别,数据不上传;支持 tiny、base、small、medium、large 等模型尺寸,在速度与准确率之间取舍;支持 dictation 与 SRT 字幕输出,以及把 SRT 嵌入视频;资料还提到可用 LiveKit 或 Streaming 做实时语音转文本。
使用方式:交互选择模型并转写音频可运行 x whisper ./meeting_record.mp3;生成 SRT 字幕可运行 x whisper dictate --srt -o my_subtitles ./interview.wav;合并字幕用 x whisper merge ./subtitles.srt ./video.mp4。使用前需确认已下载所需 whisper 模型,输入音频格式被 whisper.cpp 支持;merge 子命令需环境中有 ffmpeg。
限制:具体支持的音频格式清单、模型体积、硬件要求、实时转写的配置方式以及各子命令的完整参数,资料未提供,需自行查证。