OpenAI Whisper：视频语音转文本在线体验及本地部署

Whisper 是什么

Whisper 是 OpenAI 开发并开源的一个自动语音识别（ASR）系统。该模型基于从网络上收集的 680,000 小时多语种和多任务监督数据进行训练，具有极高的准确性，并且支持多种语言的识别。Whisper 使用了 Transformer 架构，能够处理各种复杂的音频条件，如不同的背景噪声水平、说话者的口音和语速等。

Whisper 可以做什么

在语音转录方面，Whisper可以将音频转换为文字，方便记录和整理。 此外，Whisper 还可以用于语音助手、智能客服和在线教育等领域，为用户提供更加智能和高效的服务。 为了方便开发者使用，OpenAI 还提供了详细的文档和推理代码。 开发者可以根据自己的需求对模型进行微调，以适应特定领域的应用。

Whisper 在线体验

Hugging Face 体验地址，如果打不开请使用富强上网。

• Whisper Web：支持通过URL、文件、录音来转录文字

• Whisper JAX

• Whisper Large V3.

pyVideoTrans

pyVideoTrans一键将视频从一种语言翻译为另一种语言，支持 30+ 语言

• 支持系统：Windows、MacOS
• 全自动视频翻译：一键完成语音识别 → 字幕翻译 → AI 配音 → 视频合成，自动生成带有目标语言字幕和配音的全新视频。
• 独立的语音转录/语音合成功能：配有批量语音转录、批量字幕配音、批量翻译SRT字幕功能。
• 多种 AI 模型支持：集成 Faster-Whisper、F5-TTS、Qwen3-ASR、Edge-TTS 等 30+ 种渠道，支持本地离线与在线 API，自由组合搭配。
• 桌面软件与浏览器及命令行三模式：桌面 GUI + WebUI 网页界面 + CLI 命令行，适配本地使用、远程访问、服务器部署、Docker 容器化等多种场景。
• 无最低硬件要求：有无英伟达显卡均可运行，笔记本、台式机都可跑。若有英伟达显卡支持开启 CUDA加速

Buzz

Buzz 在您的个人电脑上离线转录和翻译音频。由 OpenAI 的 Whisper 提供支持。

• 导入音频和视频文件，并将转录内容导出为 TXT、SRT 和 VTT 格式（演示）
• 从电脑麦克风转录和翻译为文本（资源密集型，可能无法实时完成，演示）
• 支持 Whisper、 Whisper.cpp、Faster Whisper、 Whisper 兼容的 Hugging Face 模型 和 OpenAI Whisper API
• 命令行界面
• 支持 Mac、Windows 和 Linux

Vibe

Vibe 在设备上直接转录音频和视频

• 🌍 Transcribe almost every language
  🌍 几乎所有语言都要转录
• 🔒 Ultimate privacy: fully offline transcription, no data ever leaves your device
  🔒 终极隐私：完全离线转录，数据绝不会流出你的设备
• 🎨 User friendly design
  🎨 用户友好设计
• 🎙️ Transcribe audio / video
  🎙️ 转录音频/视频
• 🎶 Option to transcribe audio from popular websites (YouTube, Vimeo, Facebook, Twitter and more!)
  🎶 提供从热门网站（YouTube、Vimeo、Facebook、Twitter等）转录音频的选项！
• 📂 Batch transcribe multiple files!
  📂 批量转录多个文件！
• 📝 Support SRT, VTT, TXT, HTML, PDF, JSON, DOCX formats
  📝 支持SRT、VTT、TXT、HTML、PDF、JSON、DOCX格式
• 👀 Realtime preview 👀 实时预览
• 🤖 Supports Whisper, Nemotron 3.5, and Parakeet TDT v3 models
  🤖 支持Whisper、Nemotron 3.5和Parakeet TDT v3型号
• ✨ Summarize transcripts: Get quick, multilingual summaries using the Claude API
  ✨ 摘要文字稿：使用 Claude API 获取快速多语言摘要
• 🧠 Ollama support: Do local AI analysis and batch summaries with Ollama
  🧠 Ollama 支持：用 Ollama 进行本地 AI 分析和批量摘要
• 🌐 Translate to English from any language
  🌐 从任何语言翻译成英文
• 🖨️ Print transcript directly to any printer
  🖨️ 直接将文字记录打印到任何印刷厂
• 🔄 Automatic updates 🔄 自动更新
• 💻 Optimized for GPU (macOS, Windows, Linux)
  💻 针对GPU优化（macOS、Windows、Linux）
• 🎮 Optimized for Nvidia / AMD / Intel GPUs! (Vulkan/CoreML)
  🎮 针对Nvidia / AMD / Intel GPU 优化！(Vulkan/CoreML)
• 🔧 Total Freedom: Customize Models Easily via Settings
  🔧 完全自由：通过设置轻松自定义模型
• ⚙️ Model arguments for advanced users
  ⚙️ 高级用户模型论证
• ⏳ Transcribe system audio
  ⏳ 转录系统音频
• 🎤 Transcribe from microphone
  🎤 麦克风转录
• 🖥️ CLI support: Use Vibe directly from the command line interface! (see --help)
  🖥️ CLI支持：直接在命令行界面使用Vibe！（见--help）
• 👥 Speaker diarization
  👥 说话者日记
• 🎬 Stable timestamps mode for subtitle/movie-grade timing (VAD-backed, slower)
  🎬 字幕/电影级时间点稳定模式（VAD支持，较慢）
• 📱 iOS & Android support (coming soon)
  📱 iOS 和 Android 支持（即将推出）
• 📥 Integrate custom models from your own site: Use vibe://download/?url=<model url>
  📥 从你自己的网站整合自定义模型：使用vibe://download/?url=<model url>
• 📹 Choose caption length optimized for videos / reels
  📹 选择针对视频/短视频优化的字幕长度
• ⚡ HTTP API with Swagger docs and agent skills
  ⚡ HTTP API 包含 Swagger 文档和代理技能

Whisper-WebUI

Whisper-WebUI （Whisper Webui - Hugging Face 体验地址）基于 Gradio 的 Whisper 浏览器界面。您可以将其用作简易字幕生成器！

CapsWriter-Offline

HaujetZhao/CapsWriter-Offline : CapsWriter 的离线版，一个好用的 PC 端的语音输入工具

1. 完全离线、无限时长、低延迟、高准确率、中英混输、自动阿拉伯数字、自动调整中英间隔
2. 热词功能：可以在 hot-en.txt hot-zh.txt hot-rule.txt 中添加三种热词，客户端动态载入
3. 日记功能：默认每次录音识别后，识别结果记录在 年份/月份/日期.md ，录音文件保存在 年份/月份/assets
4. 关键词日记：识别结果若以关键词开头，会被记录在 年份/月份/关键词-日期.md，关键词在 keywords.txt 中定义
5. 转录功能：将音视频文件拖动到客户端打开，即可转录生成 srt 字幕
6. 服务端、客户端分离，可以服务多台客户端
7. 编辑 config.py ，可以配置服务端地址、快捷键、录音开关……

Whisper

Whisper 高性能 GPGPU 推理 OpenAI 的 Whisper 自动语音识别 (ASR) 模型，是 whisper.cpp 实现的 Windows 移植。

Faster Whisper transcription with CTranslate2

faster-whisper 是使用 CTranslate2 对 OpenAI 的 Whisper 模型的重新实现，CTranslate2 是用于 Transformer 模型的快速推理引擎。

与 openai/whisper 相比，在相同精度下，这种实现方式的速度最多可提高 4 倍，同时使用的内存更少。在 CPU 和 GPU 上进行 8 位量化后，效率还能进一步提高。

video-subtitle-master

buxuku/video-subtitle-master : 批量为视频生成字幕，并可将字幕翻译成其它语言。这是一个客户端工具, 跨平台支持 mac 和 windows 系统

distil-whisper

huggingface/distil-whisper 语音识别 Whisper 的精馏变体。速度快 6 倍，体积小 50%，单词错误率在 1%以内。

Voice Recognition to Text Tool

Voice Recognition to Text Tool 是一个离线运行的本地语音识别转文字工具，基于 fast-whipser 开源模型，可将视频/音频中的人类声音识别并转为文字，可输出json格式、srt字幕带时间戳格式、纯文字格式。可用于自行部署后替代 openai 的语音识别接口或百度语音识别等，准确率基本等同openai官方api接口。

fast-whisper 开源模型有 base/small/medium/large-v3, 内置base模型，base->large-v3识别效果越来越好，但所需计算机资源也更多，根据需要可自行下载后解压到 models 目录下即可。

• 支持系统：Win

Chenyme-AAVT

Chenyme-AAVT: 这是一个全自动（音频）视频翻译项目。利用Whisper识别声音，AI大模型翻译字幕，最后合并字幕视频，生成翻译后的视频。

• 支持识别和翻译多种语言
• 支持 全流程本地化、免费化部署
• 支持对视频 一键生成博客内容、营销图文
• 支持 自动化翻译、二次修改字幕、预览视频
• 支持开启 GPU 加速、VAD 辅助、FFmpeg 加速
• 支持使用 ChatGPT、Claude、Gemini、DeepSeek 等众多大模型翻译引擎

Voice-Pro

Voice-Pro 先进的AI驱动多媒体处理工具 | Whisper语音识别WebUI

Voice-Pro 是一款旨在革新多媒体内容处理的尖端AI驱动的Web应用程序。通过提供YouTube视频下载、语音分离、语音识别、翻译和文本转语音等全面功能，为内容创作者、研究者和多语言通信专业人士提供了一站式解决方案。

• 🔊 尖端语音识别 (Whisper, Faster-Whisper, Whisper-Timestamped)
• 🎤 使用F5-TTS和E2-TTS进行零样本语音克隆
• 🎥 YouTube视频处理和音频提取
• 🔇 专业语音分离（UVR5技术）
• 📢 多语言文本转语音（Edge-TTS）
• 🌍 跨100多种语言的即时翻译
• 🔥 AI封面制作（RVC技术）

Voice-Pro为ElevenLabs提供了一个现实的替代方案，满足寻求先进文本转语音解决方案的内容创作者、播客、研究人员和开发者的需求。

MacWhisper

MacWhisper

其他推荐

2026年6款免费且准确的语音转文本工具推荐