Skip to content

SKILL.md

Latest commit

 

History

History
159 lines (120 loc) · 4 KB

SKILL.md

File metadata and controls

159 lines (120 loc) · 4 KB
name faster-whisper-zh
description 本地中文语音识别（faster-whisper），无需API key，CPU即可运行。适用于语音消息转文字、会议记录、播客转录等场景。支持多种音频格式(.wav, .mp3, .ogg, .m4a, .flac)和输出格式(文本/JSON/SRT字幕)。使用CTranslate2后端优化，比原版Whisper更快。

本地中文语音识别 (faster-whisper)

使用faster-whisper实现快速、准确的中文语音转文字。无需API密钥，支持本地CPU运行，特别优化了中文识别效果。

快速开始

单文件转录

# 基础用法
scripts/transcribe.sh voice.ogg

# 指定模型和格式
scripts/transcribe.sh voice.mp3 --model medium --format json

# 保存到文件
scripts/transcribe.sh voice.wav --output transcript.txt

批量处理

# 批量转录目录中的音频文件
scripts/transcribe.sh --batch /path/to/audio/files --format srt

# 批量处理并保存到指定目录
scripts/transcribe.sh --batch ./audio --output ./transcripts --format json

主要功能

1. 多格式支持

  • 输入: WAV, MP3, OGG, M4A, FLAC, AAC
  • 输出: 纯文本, JSON (带时间戳), SRT字幕

2. 中文优化

  • 默认中文语言模型，识别准确率高
  • 支持自动语言检测
  • 优化了中文分词和标点符号

3. 灵活配置

  • 5种模型大小：tiny, base, small, medium, large-v3
  • CPU/GPU计算支持
  • 可调计算精度：int8/float16/float32

模型选择指南

模型 文件大小 速度 准确度 适用场景
tiny ~40MB 最快 较低 快速预览
base ~140MB 快 良好 推荐日常使用
small ~460MB 中等 很好 高质量转录
medium ~1.4GB 较慢 优秀 专业场景
large-v3 ~2.9GB 最慢 最佳 最高精度要求

输出格式示例

文本格式 (默认)

今天天气很好，我们一起去公园散步吧。

JSON格式 (包含时间戳)

{
  "language": "zh",
  "language_probability": 0.98,
  "duration": 3.2,
  "segments": [
    {
      "start": 0.0,
      "end": 3.2,
      "text": "今天天气很好，我们一起去公园散步吧。"
    }
  ]
}

SRT字幕格式

1
00:00:00,000 --> 00:00:03,200
今天天气很好，我们一起去公园散步吧。

常见用例

语音消息转文字

scripts/transcribe.sh wechat_voice.ogg --format text

会议录音转录

scripts/transcribe.sh meeting.wav --model medium --format json --output meeting_transcript.json

播客制作字幕

scripts/transcribe.sh podcast.mp3 --format srt --output podcast.srt

批量处理语音文件

scripts/transcribe.sh --batch ./voice_messages --format text --output ./transcripts

安装和依赖

脚本会自动检查和安装依赖：

  • Python 3.8+
  • faster-whisper
  • 必要的系统库

首次运行时会自动下载和缓存模型文件到 ~/.cache/huggingface/hub/。

性能优化

CPU优化

  • 使用 --compute-type int8 (默认) 获得最佳速度
  • 较大模型建议使用 --compute-type float16

GPU加速

scripts/transcribe.sh voice.mp3 --device cuda --compute-type float16

批量处理优化

批量模式会复用已加载的模型，比单独处理每个文件快很多。

故障排除

模型下载慢

模型文件会自动从Hugging Face下载，如果网络慢可以：

  1. 使用更小的模型 (tiny/base)
  2. 配置代理或镜像源

内存不足

  • 使用更小的模型
  • 降低计算精度 --compute-type int8
  • 确保没有其他大型程序占用内存

识别质量差

  • 尝试更大的模型 (medium/large-v3)
  • 检查音频质量，确保声音清晰
  • 对于非中文音频，指定正确的语言代码

Scripts

transcribe.sh

Bash包装脚本，自动处理依赖安装和环境检查。推荐日常使用。

transcribe.py

Python核心脚本，提供完整的转录功能。支持单文件和批量处理，多种输出格式。