核心用法
local-whisper 是一款本地部署的语音转文本（Speech-to-Text）技能，基于 OpenAI 开源的 Whisper 模型实现。用户通过命令行调用脚本，指定音频文件路径即可完成转录。基础用法为 local-whisper audio.wav，支持通过 --model 参数选择模型尺寸（tiny/base/small/turbo/large-v3），通过 --language 指定语言代码，或使用 --timestamps 和 --json 获取带时间戳的结构化输出。首次运行时会自动从 HuggingFace 下载所选模型，此后完全离线运行。
显著优点
隐私安全性极高是该技能最突出的优势。所有音频处理均在本地完成，无需上传至任何云端服务，彻底杜绝了敏感语音数据的泄露风险。其次，模型选择灵活，从 39MB 的 tiny 到 1.5GB 的 large-v3，用户可根据硬件配置与精度需求自由权衡。turbo 模型在速度与质量间取得了优秀平衡，是大多数场景的理想选择。此外，多语言自动检测、词级时间戳、JSON 结构化输出等功能使其能直接对接下游工作流，满足专业转录需求。
潜在缺点与局限性
首要限制在于硬件资源消耗。Whisper 模型尤其是 large-v3 对内存和 CPU 要求较高，低配设备可能出现卡顿或转录缓慢。其次，初始模型下载依赖网络，且 large-v3 模型体积达 1.5GB，对网络环境有一定要求。另外，作为纯本地工具，缺乏云端协作功能，无法实时同步或多人协作编辑。最后，安装配置有一定门槛，需要预先安装 ffmpeg 并配置 Python 虚拟环境，对非技术用户不够友好。
适合的目标群体
该技能特别适合三类用户：一是对隐私极度敏感的专业人士，如律师、医生、记者等需要处理机密录音的场景；二是离线环境工作者，如野外考察、保密单位等无法连接外网的场景；三是开发者与技术用户，需要将语音转录能力集成到本地自动化工作流或自建应用中。对于追求便捷、无需隐私保护的普通用户，云端 STT 服务可能是更省心的选择。
使用风险
常规风险主要集中在资源管理方面。大型模型加载时可能占用数 GB 内存，建议在使用前监控系统资源，避免与其他内存密集型应用冲突。模型文件缓存于本地磁盘，长期积累可能占用较多存储空间，需定期清理不常用模型。此外，Whisper 对音频质量有一定要求，背景噪音严重或低采样率的录音可能导致识别准确率下降，建议配合音频预处理使用。依赖项方面，PyTorch 和 ffmpeg 的版本兼容性偶尔可能引发问题，建议遵循官方推荐的安装流程。