快速上手 whisper.cpp把语音转文字搬回自己设备的完整指南【免费下载链接】whisper.cppPort of OpenAIs Whisper model in C/C项目地址: https://gitcode.com/GitHub_Trending/wh/whisper.cppwhisper.cpp 是 OpenAI Whisper 语音识别模型的 C/C 移植版本它把离线语音转文字的能力装进一个轻量级命令行工具让你在自己的电脑或低配置设备上完成本地语音识别音频全程不离开本机。本教程面向新手和低配置设备用户不装 Python 环境不依赖云服务跟着命令敲就能跑通。为什么要把语音识别搬回本地假设你手头有一段 30 分钟的会议录音里面提到内部项目代号和客户名称。走云端识别服务意味着先把这段音频上传到别人的服务器——内容过一遍别人的机器你只能选择信任。而把识别跑在本地音频从头到尾只经过你自己的设备敏感内容不外流。本地方案对低配置设备也友好。原始的 Python 版 Whisper 需要完整的 Python 环境加 GPU 才算舒服普通笔记本跑起来容易卡顿。whisper.cpp 用 C/C 重写并配合底层张量库 GGML一种专为机器学习计算设计的底层库负责矩阵乘法等核心运算做了深度优化内存占用比 Python 版本低 60% 以上识别准确率却基本持平。一台只有 4GB 内存的旧笔记本跑 tiny 模型运行内存约 273MB完全没问题。另外一个容易被忽略的好处同一套代码在 Windows、macOS、Linux 上行为一致Android、iOS 也都有对应的集成示例见 examples/whisper.android 和 examples/whisper.objc不存在换个系统重学一遍的麻烦。动手前先确认设备要求和路线选择先花一分钟判断你的设备和路线能少走弯路。设备要求内存至少 4GB运行 tiny 或 base 模型处理 medium 模型建议 8GB 以上磁盘源码加一个基础模型2GB 空闲空间足够工具Git、CMake 3.18 以上、一个 C 编译器GCC 9、Clang 10 或 MSVC两条路线路线适合谁代价自己编译源码想加 GPU 加速、想长期使用的用户一次性花 5-10 分钟装环境、编译直接下载现成二进制只想要结果、不想折腾的用户依赖第三方发布的构建版本更新可能滞后 如果你是第一次接触命令行编译编译路线也没那么可怕本项目构建命令就两行后文会给出完整命令。Ubuntu/Debian 上缺依赖时用sudo apt install build-essential cmake git补齐即可。跑通第一条转录下面把构建、下载模型、执行转录串成一条连续流程按顺序敲完就能看到结果。第 1 步拿到源码git clone https://gitcode.com/GitHub_Trending/wh/whisper.cpp cd whisper.cpp第 2 步编译出whisper-cli命令行工具CMake 是跨平台的构建配置工具它把源码编译成可执行程序cmake -B build cmake --build build --config Release第 3 步下载一个转好的模型文件然后对仓库自带的 示例音频 跑第一条转录sh ./models/download-ggml-model.sh base.en ./build/bin/whisper-cli -m models/ggml-base.en.bin -f samples/jfk.wav看到终端里逐句打印出 And so my fellow Americans... 这样的文本说明整条链路已经通了。两个新手常见的坑提前说明⚠️whisper-cli目前只吃 16-bit WAV 文件。你的录音如果是 MP3、FLAC 或其他格式先用 ffmpeg 转一下ffmpeg -i 输入.mp3 -ar 16000 -ac 1 -c:a pcm_s16le 输出.wav⚠️ 嫌上面步骤多仓库 Makefile 里有一条快捷命令make base.en它会一口气完成下载 base.en 模型 编译 对 samples 目录所有 wav 跑识别适合只想看效果的场景。按场景选模型模型大小直接决定速度和内存占用。仓库 models/README.md 给出的实测数据是tiny 占 75MiB 磁盘、运行约 273MB 内存base 142MiB、约 388MBsmall 466MiB、约 852MBmedium 1.5GiB、约 2.1GBlarge 2.9GiB、约 3.9GB。按你的场景对号入座低配置设备 / 快速预览选 tiny 或 tiny.en.en表示英文专用版本同体积下英文场景表现更好。中端 CPU 笔记本处理一小时音频大约 10 分钟实时对话类应用也够用。日常录音转写、中英混合会议选 base 或 base.en速度与准确率的平衡点。多语言模型base支持约 99 种语言中文录音用它。正式会议纪要、播客归档选 small 或 small.en。准确率明显提升4GB 内存的机器也能扛。追求最高准确率的专业转录medium 起步机器配置高16GB 内存以上再考虑 large 系列。下载命令统一格式sh ./models/download-ggml-model.sh 模型名不传参数运行该脚本会列出全部可用模型名。下载好的文件默认落在models/目录下。调得更准更快跑通之后日常用得上的就下面这几个参数完整参数表见./build/bin/whisper-cli -h。控制语言和输出-l zh指定语言中文录音建议显式指定比自动检测更稳--output-txt 结果.txt把文本写进文件还有--output-srt生成字幕、--output-json输出结构化结果会议记录想留时间戳就用 srt--prompt 节目名是XX主持人是XX给模型一段背景提示专有名词识别率会明显提升控制速度-t 4设置线程数。经验值是 CPU 物理核心数的一半老机器设 2 也够--split-on-word长音频按词切分段减少长文件处理时的内存波动-tr把识别结果翻译成英文多语言模型的附加能力硬件加速有 NVIDIA 显卡的用户编译时改成cmake -B build -DGGML_CUDA1Vulkan 显卡用-DGGML_VULKAN1Apple Silicon 上 Metal 后端默认启用。这些改动只影响编译阶段二进制跑起来后用法完全一样。量化省内存量化是把模型权重从 16 位浮点压成低比特整数牺牲一点精度换取更小的体积和内存。编译出的quantize工具可以自制./build/bin/quantize models/ggml-base.en.bin models/ggml-base.en-q5_0.bin q5_0 ./build/bin/whisper-cli -m models/ggml-base.en-q5_0.bin -f samples/jfk.wavbase.en-q5_0这类量化版本模型仓库也提供现成的直接sh ./models/download-ggml-model.sh base.en-q5_0下载即可4GB 内存机器跑 small 级任务时可优先考虑。遇到卡点怎么办识别结果偏差大、满屏同音错字按顺序排查确认模型与音频语言匹配中文别用.en模型换大一档模型base → small用 ffmpeg 重新导出干净音频再试最后用--prompt补充领域词汇背景。四步走完绝大多数准确率问题能定位。提示 failed to load model 或文件无效模型文件下载中断是最常见原因——重新运行下载脚本脚本检测到文件已存在会跳过损坏文件建议手动移到其他位置再下。其次确认-m后面的路径相对于你当前所在目录是对的cd到别的目录再跑老命令是高频错误。编译阶段报错CMake 版本低于 3.18 会报配置错误升级到新版重跑GCC/Clang 版本太旧低于 9/10会报不支持的语法。清理重来用cmake -B build --fresh或删掉 build 目录后重新执行前面两行构建命令即可源码不需要改动。资源索引README官方完整说明含 Core ML、OpenVINO 等进阶后端模型下载脚本列出全部可用模型名示例音频jfk.wav 等测试素材命令行工具源码whisper-cli 的完整参数实现Android 集成示例移动端本地识别参考低配置设备 本地语音识别的组合核心思路就是tiny/base 模型起步量化压缩兜底参数少而准地调。跑通第一条转录之后剩下的只是把模型和参数换成匹配你场景的那一组。【免费下载链接】whisper.cppPort of OpenAIs Whisper model in C/C项目地址: https://gitcode.com/GitHub_Trending/wh/whisper.cpp创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考