Speech To Text

核心用法

speech-to-text 是一款通过 inference.sh CLI 调用 Whisper 模型的语音转文字工具，提供两条命令行路径：

1. 快速安装：curl -fsSL https://cli.inference.sh | sh && infsh login，脚本仅检测系统架构、下载匹配二进制并校验SHA-256，无需提权
2. 模型调用：

• 基础转写：infsh app run infsh/fast-whisper-large-v3 --input '{"audio_url": "URL"}'
• 带时间戳：添加 "timestamps": true
• 翻译为英文：指定 "task": "translate"
• 视频处理：先通过 infsh/video-audio-extractor 提取音频再转写

输出为结构化JSON，包含完整文本、分段时间戳（可选）及自动检测的语言标识。

显著优点

• 双模型策略：Fast Whisper V3 平衡速度，Whisper V3 Large 追求精度
• 多语言能力：官方宣称支持99+语言，覆盖主流语系
• 工作流整合：与 caption-videos、ai-avatar-video 等技能形成视频字幕完整 pipeline
• CLI原生设计：Unix哲学，管道友好，易于脚本化批量处理
• 零本地算力：纯云端推理，终端设备仅需网络连接

潜在局限

• 网络依赖：音频文件需上传至可访问URL，隐私敏感场景受限
• 成本不透明：inference.sh采用用量计费，但未公开具体定价
• 无实时流式：仅支持录制文件批处理，无法直播实时字幕
• 中文场景：Whisper对中文专有名词、口音识别存在已知误差
• 供应商锁定：CLI与模型生态深度绑定inference.sh平台

适合人群

内容创作者（播客/视频制作）、远程协作团队、研究人员、无障碍服务开发者，以及需要将非结构化音频转化为可搜索文本的知识工作者。

常规风险

1. 数据隐私：音频上传至第三方云推理节点，敏感会议/医疗/法律内容需谨慎评估
2. 转写准确性：说话人重叠、背景噪音、专业术语场景需人工复核
3. 服务连续性：单一供应商架构，平台变更可能影响可用性
4. URL持久性：输入音频需保持可访问直至处理完成

核心用法

Speech-to-Text Skill 通过 inference.sh 云平台提供 Whisper 模型的语音转文字能力。用户需先安装 infsh CLI 工具，随后通过简单的命令行调用即可实现音频转录。支持两种模型选择：Fast Whisper Large V3（速度优先）和 Whisper V3 Large（精度优先）。核心功能包括基础转录、时间戳分段、多语言自动识别以及翻译至英语。

使用流程极为简洁：配置音频 URL 后，通过 infsh app run 命令指定模型和参数即可获取 JSON 格式结果，包含完整文本、分段时间戳和检测语言。对于视频场景，可配合 video-audio-extractor 先提取音频再转录。

显著优点

1. 模型权威性：底层采用 OpenAI Whisper 开源模型，经大规模多语言数据训练，识别准确率行业领先
2. 零本地计算：云端推理模式，无需 GPU 硬件投入，普通设备即可处理长音频
3. 多语言能力：原生支持 99+ 语言，自动语言检测省去手动配置
4. 工作流整合：与 caption-videos、ai-avatar-video 等 Skill 无缝衔接，支持从视频到字幕的完整链路
5. 安全透明：CLI 安装脚本开源可审计，提供 SHA-256 校验和手动验证方式

潜在局限

• 网络依赖：必须保持与 inference.sh 服务的稳定连接，离线场景不可用
• 隐私考量：音频数据需上传至第三方云端处理，敏感内容存在合规风险
• 成本因素：基于云 API 计费模式，高频使用成本可能高于本地部署方案
• 格式限制：需先将音频处理为支持的格式，部分专业音频编码需预转换
• 延迟问题：长音频文件传输和推理存在端到端延迟，实时转录能力有限

适合人群

• 内容创作者（播客、YouTuber）需要快速生成文字稿和字幕
• 企业行政人员处理会议录音转写和纪要整理
• 研究人员进行访谈录音的文本化分析
• 无障碍服务从业者为视听内容制作文字替代品
• 多语言团队需要跨语言音频的英译文本

常规风险

1. 数据驻留：音频内容上传至 inference.sh 境外服务器，涉及数据跨境传输合规问题
2. API 密钥管理：infsh login 生成的凭证需妥善保管，避免泄露导致账户滥用
3. 转录准确性： Whisper 在口音、专业术语、低质量音频场景下可能出现识别偏差，重要场景建议人工校对
4. 服务连续性：依赖单一云服务商，存在因平台维护或政策变动导致服务中断的风险
5. 示例代码误读：文档中的 curl | sh 安装方式虽为官方推荐，但用户应理解其含义，建议先审查脚本再执行