核心用法
本技能基于 OpenAI Whisper 开源模型，提供完整的音视频转文字解决方案。用户通过命令行调用 transcribe.py 脚本，输入 MP4/MP3/WAV 等格式的媒体文件，即可输出 TXT、SRT、VTT 或 JSON 格式的转录结果。核心流程包括：安装 openai-whisper 与 ffmpeg 依赖 → 选择模型尺寸（tiny 至 large 共 5 档）→ 指定语言或自动检测 → 执行转录。
显著优点
1. 开源免费与隐私安全 Whisper 为 MIT 开源协议，完全本地运行，音频数据不上传云端，适合处理敏感会议记录与内部资料。
2. 多语言与自动检测 支持 99 种语言，中文识别准确率经实测可达 95% 以上，自动语言检测功能降低使用门槛。
3. 灵活的输出格式 除纯文本外，直接生成 SRT/VTT 字幕文件，省去后期时间轴对齐工作；JSON 格式提供置信度分数，便于二次开发。
4. 硬件适配性强 从 39MB 的 tiny 模型到 1.5GB 的 large 模型，覆盖从边缘设备到高性能工作站的完整场景，CPU 模式亦可流畅运行 base 模型。
潜在缺点与局限性
- 资源占用：large 模型需约 5GB 显存或 16GB 内存，长视频处理可能触发 OOM
- 离线依赖：需提前下载模型文件，首次使用有数百 MB 的下载等待
- 对齐精度：生成字幕的时间戳在复杂场景（音乐、多人重叠对话）下可能存在 0.5-2 秒偏差，需人工校对
- 无说话人分离：无法自动区分多人对话中的不同说话者，需配合 pyannote.audio 等工具扩展
适合人群
- 内容创作者：快速生成视频字幕，提升制作效率
- 记者/研究员：访谈录音整理，支持关键词检索
- 企业行政：会议纪要的初稿生成，后续人工精炼
- 开发者：基于 JSON 输出构建语音分析流水线
常规风险
模型训练数据来源于网络，对特定口音、专业术语（医学/法律 jargon）可能存在识别偏差；生成字幕应审核后发布，避免错误信息传播。建议关键场景采用 medium/large 模型并人工复核。