Whisper 語音識別模型是什麼、怎麼用：OpenAI 開源模型的本地安裝、模型大小與顯存要求

本文根據 OpenAI 官方 GitHub 倉庫 openai/whisper 的 README 整理，資料核對於 2026-10-11。開源項目變化快，以官方倉庫為準。

是什麼

Whisper 是 OpenAI 開源的通用語音識別模型，倉庫 openai/whisper 約有 11 萬星標，代碼和模型權重以 MIT 許可發佈。它能做三件事：多語言語音轉文字、把其他語言的語音翻譯成英文、識別音頻是哪種語言。

它的意義在於，把接近商用水準的語音識別變成了任何人都能在自己電腦上免費運行的東西。現在市面上很多字幕工具、會議記錄軟件、桌面轉寫應用，底層用的就是 Whisper 或它的加速版本。

模型怎麼選

README 給出的模型規格：

簡單原則：模型越大越準、越慢。轉寫中文建議從 medium 或 turbo 起步；turbo 是 large 的加速優化版本，速度快很多，但 README 說明它不適合用於翻譯任務。沒有顯卡也能用 CPU 跑，只是比較慢。

怎麼上手

先安裝 Python 和 ffmpeg，然後：

bash
pip install -U openai-whisper
whisper 錄音.mp3 --model turbo

運行後會在當前目錄生成文本和帶時間軸的字幕文件。常用參數：

• --language Chinese：指定語言，省掉自動檢測，也能減少誤判；
• --task translate：把非英語語音直接翻譯成英文文本；
• --model medium：更換模型大小。

不想碰命令行的話，可以用基於 Whisper 的圖形介面軟件，例如開源的 Buzz。

免費與付費

開源版完全免費，在本機運行不產生調用費。OpenAI 另有按時長計費的語音轉寫 API，那是獨立的雲服務，價格以 OpenAI 官方定價為準；本文介紹的是本地運行的開源模型。

適合誰 / 不適合誰

適合：

• 需要給影片加字幕、整理訪談和課程錄音的創作者與學生；
• 錄音內容敏感、不想上載到雲端的用戶；
• 要在自己的產品裏集成離線語音識別的開發者。

不適合：

• 需要實時同聲字幕的場景——原版 Whisper 面向的是錄音文件的離線轉寫；
• 需要自動區分說話人的會議記錄，原版不帶這個功能；
• 完全不想安裝環境的用戶，在線轉寫服務或成品軟件更省事。

注意事項

• 會出現「幻聽」：在靜音、音樂或噪音段落，模型可能生成原音頻裏沒有的句子，重要內容要對照錄音校對。
• 不同語言的準確率差別很大，README 說明性能因語言而異；方言、口音重、多人同時說話時錯誤率明顯上升。
• 專有名詞容易錯：人名、術語可以用初始提示參數給模型一些上下文。
• 錄音要合法合規：轉寫前確認已獲得被錄音者的同意。