总安装量 164
评分人数 127
核心用法
openai-whisper 是一个纯配置型 Skill，通过封装 OpenAI Whisper CLI 实现本地语音识别功能。用户只需调用 whisper 命令并指定音频文件路径即可完成转录，支持多种输出格式（txt、srt 等）和任务类型（transcribe/translate）。典型用法包括：：whisper /path/audio.mp3 --model medium --output_format txt 进行本地转录，或使用 --task translate 将非英语音频翻译为英文。模型默认使用 turbo 版本，首次运行时会自动下载到 ~/.cache/whisper 目录。
显著优点
隐私优先设计：所有音频处理完全在本地完成，无需上传至任何云端服务，特别适合处理敏感语音内容。零 API 成本：无需申请或配置 API 密钥，彻底消除调用费用和速率限制困扰。开源可信：依托 OpenAI 官方开源项目（GitHub 80k+ stars），代码完全透明可审计。多语言支持：Whisper 模型覆盖 99 种语言，支持自动语言检测和跨语言翻译。灵活可控：用户可根据需求在速度与精度间自由权衡，从 tiny 到 large-v3 多档模型可选。
潜在缺点与局限性
硬件资源消耗：较大模型（如 large-v3）需要显著 GPU/CPU 内存和计算资源，低配设备可能运行缓慢。首次启动延迟：模型文件体积庞大（数百 MB 至数 GB），首次使用需等待下载完成。无实时流式能力：CLI 版本仅支持文件级批处理，无法直接用于实时语音输入场景。转录精度边界：对于重度口音、专业术语或嘈杂环境，识别准确率仍有提升空间。依赖管理成本：需通过 Homebrew 维护 whisper 二进制文件的版本更新。
适合的目标群体
- 隐私敏感型用户：记者、律师、医疗工作者等需处理机密录音的专业人士
- 内容创作者：播客主、视频博主需要快速生成字幕或文稿
- 研究人员：需批量处理访谈录音、会议记录的学术工作者
- 企业内网环境：无法连接外部 API 的离线或高安全隔离场景
- 多语言工作者：需处理小语种音频的翻译或本地化团队
使用风险
性能风险：大型模型转录长音频可能耗时数分钟至数小时，建议根据时效要求选择合适模型档位。存储风险：多模型缓存可能占用数 GB 磁盘空间，需定期清理 ~/.cache/whisper。依赖风险：Whisper CLI 版本更新可能引入不兼容变更，建议锁定稳定版本。供应链风险：虽 Homebrew 和 OpenAI 官方源可信度极高，但仍建议验证安装包签名。