Whisper 离线语音转文字怎么用？本地转写中文录音并导出字幕

如果录音不方便上传，Whisper 可以在电脑上把中文声音转成文字，再输出带时间轴的字幕文件。这里采用官方开源程序，先下载依赖和模型，再处理本地音频；无需 OpenAI API Key。第一次安装和下载模型需要网络，完成缓存后才能检查断网运行是否可用。

本文适合能使用终端的 Windows 用户，示例环境为 Python 3.11、CPU 推理和 multilingual base 模型。命令依据 2026 年 10 月 1 日核对的官方文档及代码编写，没有在读者的电脑或录音上做实测；不承诺识别速度、正确率或任意硬件都能运行。

一、准备环境：先让 Python 和 FFmpeg 可用

Whisper 的 Python 包名是 openai-whisper，不要误装名称相近的其他包。下面固定使用 20250625 发布版。FFmpeg 是读取音频用的独立程序，需要能在终端直接调用。打开 PowerShell，执行：

py -3.11 --version
ffmpeg -version
py -3.11 -m venv .venv-whisper
.\.venv-whisper\Scripts\python.exe -m pip install --upgrade pip
.\.venv-whisper\Scripts\python.exe -m pip install openai-whisper==20250625
.\.venv-whisper\Scripts\whisper.exe --help

上面采用虚拟环境中程序的完整相对路径，因此无需修改 PowerShell 的脚本执行策略。若 py -3.11 不存在，先安装对应 Python，再重开终端。若 ffmpeg 提示找不到命令，先安装 FFmpeg 并将它的 bin 目录加入 PATH；官方安装说明列有 Chocolatey 和 Scoop 的方法，已经使用其中某个包管理器的用户可按说明安装。安装来源和命令见 Whisper 官方 README。

安装结束后，--help 应显示模型、语言、输出格式等选项。如果这一步失败，先解决依赖问题，不要把长录音交给一个尚未启动成功的环境。

二、先用短中文录音下载模型并转写

准备一段自己有权处理、能听清的中文录音，命名为 sample-zh.wav，放到当前目录。首次建议使用一分钟左右的片段，包含正常讲话和几个需要检查的数字或术语。先执行：

.\.venv-whisper\Scripts\whisper.exe sample-zh.wav --model base --model_dir .\models-whisper --device cpu --fp16 False --language Chinese --task transcribe --output_dir .\out-whisper --output_format all

base 是多语言模型；中文不要选 base.en 等仅英语模型。--language Chinese 指定录音的语言，--task transcribe 表示保留原语言转写。CPU 路径使用 --fp16 False，把模型缓存与结果分别放在明确目录，便于以后复用和排查。

官方 CLI 接受 txt、srt、vtt、tsv、json 等输出格式；此处的 all 会生成该版本支持的多种结果。参数依据见 官方转写代码。如果只需要字幕，把最后一项改成 --output_format srt；只需要文字则改成 txt。

三、检查文字与时间轴，再判断能否断网使用

运行结束后，打开 out-whisper\sample-zh.txt 和 out-whisper\sample-zh.srt。先确认两份文件不是空的，再回听开头、中间、结尾以及含数字、人名、否定词的句子。字幕还要检查时间是否递增、开始时间是否早于结束时间，以及文字是否大致跟随发音。文件生成只能说明处理流程走通，不能证明内容正确。

例如，录音里说的是“下周三以前不要提交”，必须核对“周三”和“不要”有没有被改错；句子通顺也可能表达了相反意思。SRT 是可编辑的字幕文件，不会自动把文字烧录到视频画面中。如果还需要在剪辑器里排版、校对和导出视频，可继续参考本站的 CapCut 字幕校对与时间轴教程；该教程走的是剪辑器内生成字幕的流程。

要验证离线能力，等依赖安装和 base 模型下载完成后断开网络，用同一个虚拟环境、同一个 --model_dir 和同一个模型重新运行上面的命令。能重新生成可读结果，才说明这套本地环境通过了断网检查。换成未缓存的模型、换用户或清理缓存后，仍可能重新下载。

官方开源代码这条路径处理的是本地文件，但“模型离线运行”和“整台电脑没有数据外发”是不同核验范围。录音也可能被云盘同步；敏感文件应检查自己的存储和同步设置。

四、常见失败怎么定位

官方模型卡说明了语言表现不均、重复文字与幻觉等限制。本地运行没有消除这些问题，重要记录仍应保留原录音和人工校对稿。

补充问答

多人会议能直接给出姓名吗？

这个基础转写命令不负责把声纹对应到真实姓名。需要发言人标签时应另接说话人区分流程，并由知情人员回听确认；不要根据转写文本的语气推测谁说了哪一句。

想升级 GPU，是否只改 device 就够了？

还需要正确的 GPU 驱动与兼容 PyTorch 环境。先验证 GPU 能被框架识别，再改变推理配置。官方模型表的显存数字是近似值，不能用它保证某台机器一定能处理某个时长的录音。