Whisper

Whisper 是 OpenAI 发布的开源自动语音识别（ASR）模型，使用 Python 和 PyTorch 构建。它通过在 68 万小时多语言、多任务的网络音频数据上训练，实现了接近人类水平的语音转文字能力，支持超过 90 种语言的识别与翻译，是目前精度最高的开源语音识别模型之一。

Whisper 提供从 tiny（39M 参数）到 large-v3（1.5B 参数）共多个规模版本，可根据硬件条件选择合适大小。它支持批量转录、时间戳对齐和语言检测，广泛应用于字幕生成、会议记录、播客转录和语音助手等场景，社区也基于它开发了 faster-whisper 等高性能加速版本。

• 多语言高精度识别：在 90 余种语言上实现商业级识别精度，尤其在低资源语言和带口音语音上表现出色
• 多任务能力：单一模型同时支持语音识别、语言检测和跨语言翻译（直接翻译为英文），无需多模型协作
• 灵活的模型规格：从轻量 tiny 到高精度 large-v3，适配从树莓派到高性能 GPU 服务器的各类硬件环境