Whisper 是 OpenAI 2022 年开源的语音识别模型。它主要做一件事:把音频转成文字。支持 99 种语言,可本地部署,API 走 OpenAI 平台。语音转文字场景,它是绕不开的一个选项。
2026 年现状
数据核对至 2026-11-06。价格与功能以官网为准，核实时以官方页面为准。
- Whisper 仍是 OpenAI 开源的语音识别模型，可本地部署、免费使用。
- OpenAI 2026 年的语音识别 API 已迭代到新模型，实时转写与多语言能力增强，价格以官网为准。
说明：以下「能干什么 / 使用经验 / 优缺点」保留了我们在 2024–2025 年实际使用时的观察，当时的模型版本与界面与今天不同；2026 年的产品现状见上方「2026 年现状」，价格与功能以官网为准。
能干什么
- 语音转文字:输入音频,输出带时间戳的文字稿。支持 99 种语言,中英文识别准确率高。
- 翻译:把非英语音频直接转成英文文字稿,跨语言整理内容方便。
- 本地部署:模型开源,可以在自己机器上跑,数据不出本地。
- 多模型选择:从 tiny 到 large,精度和速度可权衡。GPU 跑 large 模型准确率最高。
价格
开源模型免费；OpenAI 语音 API 按量计费，以 OpenAI 定价页为准。
我们的使用经验
我们用它做过播客转文字和会议记录转写。两个场景效果都不错。
播客转文字走 API,一期 60 分钟的播客,转写出来准确率 90% 以上,中英混说的内容也能识别。标点符号自动加,段落划分基本合理,后期校对的工作量比预期小。原本找人工转一期 200 元,API 成本 0.36 美元,差了快 100 倍。
会议记录转写我们走本地部署。会议内容涉及内部信息,不能传到云上。用一台带 RTX 3090 的机器跑 large-v3 模型,1 小时音频转写大概 10 分钟,准确率比 API 略低一点(可能是模型版本差异),但够用。
嘈杂环境下表现比预期好。背景音乐、轻微噪音不影响识别,但多人同时说话会乱,分不清谁是谁。要做说话人分离得配别的工具,Whisper 本身不带。
本地部署门槛不算高,但要有 GPU。CPU 也能跑,速度慢到没法用。Faster-Whisper、Whisper.cpp 这些优化版本值得试,速度快不少。