核心用法
Whisper Transcribe 是基于 OpenAI Whisper 开源模型的本地音频转录脚本，通过 transcribe.sh 提供命令行交互。基础用法仅需指定音频路径即可自动检测语言并生成文本；高级用法支持模型选择（tiny→large）、语言指定、格式控制（txt/srt/vtt/json/all）、批量通配处理及词级时间戳。
显著优点
1. 隐私优先：本地运行，音频数据不上传云端，适合敏感会议、医疗记录等场景
2. 多格式输出：一站式生成纯文本、字幕文件（SRT/VTT）及含置信度的结构化 JSON
3. 硬件友好：tiny/base 模型仅需 ~1GB 内存，可在树莓派等设备运行
4. 自动语言检测：无需预先指定语言，自动识别并转录 99 种语言
5. 开源零成本：基于 MIT 许可的 Whisper，无 API 调用费用
潜在缺点与局限性
- 计算依赖：medium/large 模型需 5-10GB RAM，CPU 转录速度慢（large 在树莓派上显著延迟）
- 首装开销：首次运行需下载模型文件（base 约 150MB）
- 无实时能力：仅支持离线文件处理，不支持流式语音识别
- 中文标点：开源 Whisper 对中文标点支持较弱，常需后处理
- 专业术语：垂直领域术语（医学、法律）识别准确率可能下降
适合人群
- 播客创作者、字幕制作人员
- 需要会议记录的企业团队（尤其涉密场景）
- 研究人员处理访谈录音
- 树莓派/边缘设备用户构建低成本转录方案
- 对云端服务有隐私顾虑的个人用户
常规风险
| 风险项 | 说明 |
|--------|------|
| 依赖项缺失 | 需提前安装 `ffmpeg` 及 Python 环境，否则解码失败 |
| 模型兼容性 | `openai-whisper` 与部分 PyTorch 版本存在兼容性警告 |
| 存储占用 | large 模型约 3GB，批量处理大文件时临时磁盘空间不足 |
| 转录错误 | 低质量音频、背景噪音、多人重叠对话导致准确性下降 |
| 无加密 | 输出文件明文存储，敏感内容需自行加密管理 |