Whisper本地视频转文字部署教程：离线转写与免费方案对比 手动创作

前些日子，单位有一堆内部座谈的影像资料需要整理成文本，但安全条例白纸黑字写着素材严禁外传，市面上那些依赖云端的语音识别工具统统派不上用场。兜兜转转之后，目光锁定在了Whisper身上——这是一套完全开源的解决方案，不花一分钱，所有运算都在本地进行，视频文件绝不会离开你的电脑。我花了小半天时间把整套环境搭建起来，现在按照当时记录的顺序把整个流程梳理出来：从环境配置到具体指令，再到那些让人头疼的报错该如何应对，最后还会放上一张包含在线工具的对比表。整个过程并不需要多高的技术门槛，只要跟着步骤走，基本都能顺利跑通。

为什么最终选择了Whisper？因为在免费且离线的中文语音识别工具里，它的综合表现确实很出色：开源意味着你不用担心授权费用，离线运行则保证了数据安全性，输出结果还自带标点符号，一次识别完成后就会自动生成TXT、SRT、VTT等多种格式的文本文件。唯一的不足之处在于它没有图形化操作界面，用户需要自己动手配置一次运行环境。但只要熬过了这个搭建阶段，日常使用时就只需要敲一行命令就能搞定，相当方便。

一、环境准备（三样东西）

在正式开始操作之前，先把以下三样东西准备好，后面的流程基本就不会卡壳了：

步骤一：安装Python 3.9及以上版本

Whisper的运行依赖于Python环境，版本不能太低，3.9以上的版本比较稳妥。安装完成后，在终端里输入python --version，确认能正常返回版本号即可。Windows用户在安装时记得勾选"Add Python to PATH"这个选项，否则后面系统可能会找不到python命令。

步骤二：安装ffmpeg（Whisper用它来提取音轨）

Whisper需要借助ffmpeg这个工具才能把视频里的音频信号分离出来，这一步如果没配置好，后面肯定会报错。Windows用户下载压缩包解压后，把里面bin目录的路径添加到系统环境变量的PATH里；Mac用户则简单得多，在终端里输入brew install ffmpeg一条命令就能搞定。安装完成后输入ffmpeg -version来验证是否成功。

步骤三：预留足够的磁盘空间存放模型

语音识别模型的体积并不小，small模型大概几百MB，而large版本可能达到几个GB。提前检查一下硬盘剩余空间，避免识别中途因为空间不足而中断。

二、安装与第一次转写

步骤四：通过pip一条命令安装whisper

环境准备就绪后，安装Whisper这个Python包只需要一行命令：pip install -U openai-whisper。这是一个开源包，只要网络连接正常就能完成安装，不需要注册账号，也不需要破解任何东西。

步骤五：一行命令开始转写

实际的语音转文字操作也只需一行命令：whisper 你的视频.mp4 --language zh --model small。其中--language zh表示识别中文，这样输出的标点符号会更规范；--model small则指定使用small模型。敲下回车后，程序第一次运行会自动下载small模型文件，下载完成后就会立即开始本地识别。等它跑完，你会在视频文件所在的文件夹里看到自动生成的.txt、.srt、.vtt等文件，完全不需要手动指定输出格式。

三、模型怎么挑

Whisper提供了好几种不同体积的模型，选择哪个取决于你的具体需求和硬件条件：

tiny / base：体积小、运行速度快，适合快速生成草稿，但错别字相对较多。

small：在速度和准确度之间取得了很好的平衡，是处理日常普通话清晰素材的优选方案。

medium / large：体积大、速度慢，但准确度最高，特别适合口音较重、包含大量专业术语的素材，前提是你的电脑性能足够好。

简单来说：如果你是普通办公笔记本电脑，素材音质也比较干净，那么small模型就是最合适的选择；如果你追求极致的识别准确率，并且电脑配备有独立显卡，那就可以考虑使用medium甚至large模型。

四、踩过的几个坑

在实际搭建和使用的过程中，我遇到了几个比较常见的坑，在这里记录下来供参考：

提示找不到ffmpeg：这多半是因为系统环境变量PATH没有生效。解决方法是关闭当前终端窗口，重新打开一个新的终端再运行命令。

模型下载速度慢或中途中断：这通常是由于网络问题导致的。可以手动从网上下载模型文件，然后放到Whisper的缓存目录里，再重新运行。

显存不足报错：如果你的显卡显存不够用，可以尝试换用更小一档的模型，或者在命令后面加上--device cpu，强制使用CPU来运行（虽然速度会慢一些）。

输出结果没有标点符号：检查一下命令里有没有漏写--language zh，或者这个参数没有被正确设置为zh。

五、和其他免费方案对比

在部署完成后，我顺手把手边几个免费的方案拉出来做了一个横向对比，包括在线工具，方便大家根据实际情况进行选型：

Whisper（本文）：离线运行，需要自行搭建环境，操作方式为命令行。输出格式为TXT、SRT、VTT。适合处理涉密素材或需要批量转写的场景。

Buzz：离线运行，门槛较低，有图形界面。输出格式为TXT、SRT。适合不想接触命令行的用户。

剪映电脑版：在线运行，门槛低，图形界面。输出格式为SRT、字幕压制。适合素材需要进一步剪辑的用户。

喵喵工具助手（微信小程序）：在线运行，门槛极低，免安装。输出格式为TXT、Word、SRT、复制。适合有网络、图省事且不涉及敏感信息的用户。

六、嫌部署麻烦？留个在线备选

Whisper的优势在于可控性高，但我们也得承认：它需要搭建一次环境。对于那些只是偶尔需要转写一两个不敏感视频的用户来说，专门折腾这一套确实有点性价比不高。如果你的素材不涉密，电脑也能正常联网，那完全没必要为了这种临时需求去费这个劲。遇到这种情况，我通常会直接在微信电脑版里打开喵喵工具助手小程序作为备选方案：搜索"喵喵工具助手"进入，在首页点击"常用工具"里的"视频转文字"，然后上传本地的视频文件，等个一两分钟就能得到整段或分段的文稿，一键就能复制下来，TXT、Word、SRT这些格式也都能导出。

这个小工具需要联网，一次只能处理一个视频，但它省去了安装Python、配置ffmpeg、下载模型这一整套前置步骤——识别任务在云端完成，不占用本地电脑的算力，也完全不需要配置环境。所以我的分工很明确：内网涉密的素材老老实实用Whisper来处理，而日常那些零散、有网络的活儿就交给喵喵工具助手，两边互不干扰。

七、老手才会固定下来的习惯

环境搭建完成之后，真正能帮你节省大量时间的，是下面这几条我自己从实践中总结出来的习惯：

长视频先抽音频再识别：先用ffmpeg把视频转换成16kHz单声道的wav音频文件，然后再交给Whisper处理。这样文件体积更小、队列处理更快，出错的概率也更低。

同一批素材固定使用同一个模型：不要换来换去。tiny和large混着跑，会导致校对的判断标准难以统一。日常使用就固定为small模型，只有遇到口音特别重的几段素材时，才单独改用medium。

专有名词用查找替换批量处理：Whisper对于生僻的人名、产品名等专有名词，经常会出现同音错别字。导出TXT文件后，在文本编辑器里用全局替换功能一次性修正，比对着原视频逐句修改要快得多。

批量转写时写个小脚本：如果文件夹里有几十个视频要处理，可以用for循环来逐个执行whisper命令。Windows用户用PowerShell，Mac或Linux用户用bash，逻辑都是一样的。