Communitygithub.com

OpenLAIR/dr-claw

基于OpenAI的通用语音识别模型,支持99种语言、转录、英译及语言识别,从微型(39M参数)到大型(1550M参数)共六种模型规格。适用于语音转文字、播客转录或多语言音频处理。

dr-claw 是什么?

Whisper是OpenAI开发的多语言语音识别模型,旨在将音频转录为文本并支持翻译成英语。该AI技能在GitHub上拥有超过72,900颗星,支持99种语言,并经过680,000小时的音频训练,采用MIT许可证。用户可根据需求选择从 `tiny`(39M参数)到 `large`(1550M参数)的不同模型大小,或者使用推荐的 `turbo` 模型以达到速度和质量的平衡。技能提供详细的命令行和Python API支持,包括语言指定、任务选择(转录或翻译)、初始提示、时间戳、温度回退以及批量处理功能。此外,还涵盖了与 `faster-whisper` 的实时转录集成、GPU加速、字幕生成以及LangChain加载器等实用工具。最佳实践包括使用 `turbo` 模型、指定语言、添加初始提示、利用GPU加速以及监控VRAM。此技能适用于开发者自动化音频处理工作流,但对长音频(超过30分钟)准确性下降、缺乏说话人识别、且不适用于实时字幕生成。

兼容平台~Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/OpenLAIR/dr-claw/tree/HEAD/skills/multimodal/whisper

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

Whisper - 强大的语音识别

OpenAI的多语言语音识别模型。

何时使用Whisper

适用场景:

  • 语音转文字转录(99种语言)
  • 播客/视频转录
  • 会议记录自动化
  • 翻译成英语
  • 嘈杂音频转录
  • 多语言音频处理

指标:

  • 72,900+ GitHub星标
  • 支持99种语言
  • 训练于680,000小时音频
  • MIT许可证

替代选择:

  • AssemblyAI:托管API,说话人分离
  • Deepgram:实时流式ASR
  • Google Speech-to-Text:云端服务

快速入门

安装

# 需要Python 3.8-3.11
pip install -U openai-whisper

# 需要ffmpeg
# macOS: brew install ffmpeg
# Ubuntu: sudo apt install ffmpeg
# Windows: choco install ffmpeg

基本转录

import whisper

# 加载模型
model = whisper.load_model("base")

# 转录
result = model.transcribe("audio.mp3")

# 输出文本
print(result["text"])

# 访问片段
for segment in result["segments"]:
    print(f"[{segment['start']:.2f}s - {segment['end']:.2f}s] {segment['text']}")

模型大小

# 可用模型
models = ["tiny", "base", "small", "medium", "large", "turbo"]

# 加载特定模型
model = whisper.load_model("turbo")  # 最快,质量好
模型参数仅英语多语言速度VRAM
tiny39M✓✓~32x~1 GB
base74M✓✓~16x~1 GB
small244M✓✓~6x~2 GB
medium769M✓✓~2x~5 GB
large1550M✗✓1x~10 GB
turbo809M✗✓~8x~6 GB

推荐:使用 turbo 以获得最佳速度/质量平衡,base 用于原型开发

转录选项

语言指定

# 自动检测语言
result = model.transcribe("audio.mp3")

# 指定语言(更快)
result = model.transcribe("audio.mp3", language="en")

# 支持的语言:en, es, fr, de, it, pt, ru, ja, ko, zh 等89种

任务选择

# 转录(默认)
result = model.transcribe("audio.mp3", task="transcribe")

# 翻译成英语
result = model.transcribe("spanish.mp3", task="translate")
# 输入:西班牙语音频 → 输出:英语文本

初始提示

# 通过上下文提高准确性
result = model.transcribe(
    "audio.mp3",
    initial_prompt="这是一个关于机器学习和AI的技术播客。"
)

# 有助于:
# - 技术术语
# - 专有名词
# - 领域特定词汇

时间戳

# 词级时间戳
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

# 如果置信度低,使用不同温度重试
result = model.transcribe(
    "audio.mp3",
    temperature=(0.0, 0.2, 0.4, 0.6, 0.8, 1.0)
)

命令行使用

# 基本转录
whisper audio.mp3

# 指定模型
whisper audio.mp3 --model turbo

# 输出格式
whisper audio.mp3 --output_format txt     # 纯文本
whisper audio.mp3 --output_format srt     # 字幕
whisper audio.mp3 --output_format vtt     # WebVTT
whisper audio.mp3 --output_format json    # 带时间戳的JSON

# 语言
whisper audio.mp3 --language Spanish

# 翻译
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"正在转录 {audio_file}...")
    result = model.transcribe(audio_file)

    # 保存到文件
    output_file = audio_file.replace(".mp3", ".txt")
    with open(output_file, "w") as f:
        f.write(result["text"])

实时转录

# 对于流式音频,请使用 faster-whisper
# pip install faster-whisper

from faster_whisper import WhisperModel

model = WhisperModel("base", device="cuda", compute_type="float16")

# 流式转录
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

# 自动使用GPU(如果可用)
model = whisper.load_model("turbo")

# 强制CPU
model = whisper.load_model("turbo", device="cpu")

# 强制GPU
model = whisper.load_model("turbo", device="cuda")

# GPU上快10-20倍

与其他工具集成

字幕生成

# 生成SRT字幕
whisper video.mp4 --output_format srt --language English

# 输出:video.srt

与LangChain配合

from langchain.document_loaders import WhisperTranscriptionLoader

loader = WhisperTranscriptionLoader(file_path="audio.mp3")
docs = loader.load()

# 在RAG中使用转录结果
from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings

vectorstore = Chroma.from_documents(docs, OpenAIEmbeddings())

从视频中提取音频

# 使用ffmpeg提取音频
ffmpeg -i video.mp4 -vn -acodec pcm_s16le audio.wav

# 然后转录
whisper audio.wav

最佳实践

  1. 使用turbo模型 - 英语的最佳速度/质量
  2. 指定语言 - 比自动检测更快
  3. 添加初始提示 - 改善技术术语
  4. 使用GPU - 快10-20倍
  5. 批量处理 - 更高效
  6. 转换为WAV - 更好的兼容性
  7. 分割长音频 - <30分钟分块
  8. 检查语言支持 - 不同语言质量各异
  9. 使用faster-whisper - 比openai-whisper快4倍
  10. 监控VRAM - 根据硬件调整模型大小

性能

模型实时系数(CPU)实时系数(GPU)
tiny~0.32~0.01
base~0.16~0.01
turbo~0.08~0.01
large~1.0~0.05

实时系数:0.1 = 比实时快10倍

语言支持

主要支持的语言:

  • 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

  1. 幻觉 - 可能重复或编造文本
  2. 长音频准确性 - 超过30分钟音频准确性下降
  3. 说话人识别 - 无说话人分离
  4. 口音 - 质量因口音而异
  5. 背景噪音 - 可能影响准确性
  6. 实时延迟 - 不适合实时字幕

资源

相关技能