Whisper本地转字幕教程：从安装环境到导出中文SRT文件

Whisper是一套可在本地运行的语音识别工具，适合把中文课程录音、访谈或会议音频转换成带时间轴的字幕文件。这里的本地转录与云端语音API不同：音频由本机上的程序处理，实际效果仍会受到录音质量、模型大小、设备资源和说话内容影响，不能把初次识别结果直接视为最终字幕。

一、准备Python和FFmpeg环境

使用前先准备可运行的Python环境，并根据OpenAI开源Whisper仓库当前说明核对兼容要求。建议在独立的虚拟环境中安装，避免与其他项目的依赖互相影响。随后安装Whisper Python包：

pip install -U openai-whisper

Whisper还依赖FFmpeg读取和转换常见音频、视频格式。FFmpeg通常需要单独安装，安装方式取决于操作系统。完成后可在终端执行ffmpeg -version检查命令是否已经加入系统路径。不要只安装Python包而忽略FFmpeg，否则处理MP3、MP4等文件时可能出现无法读取输入文件的问题。

二、用一分钟样本先测试

首次使用建议准备一段约一分钟、内容具有代表性的中文录音。这样可以先确认模型能否正常下载和运行，也能观察当前设备的处理时间、内存占用及识别效果，再决定是否处理完整访谈或课程。首次运行通常需要下载所选模型，因此不能宣称安装和模型准备过程完全离线完成；请提前确认网络、磁盘空间以及下载权限。

三、导出中文SRT字幕

在包含音频文件的目录中打开终端，使用下面的命令结构：

whisper audio.mp3 --language Chinese --task transcribe --output_format srt

其中，audio.mp3是待处理文件名；--language Chinese用于指定中文；--task transcribe表示转写原语言；--output_format srt表示输出SubRip字幕格式。执行后，程序会生成带时间码的SRT文件，具体文件位置还应以当前命令行目录和程序输出提示为准。处理其他格式时，可以将输入文件名替换为实际的音频或视频文件。

四、理解模型大小与任务选项

Whisper提供不同规模的模型。模型越大，通常需要更多计算资源和更长处理时间，但在某些口音、噪声或复杂语句上可能有更好的识别表现；较小模型更适合先做快速测试。这里不对不同设备的速度或准确率作固定排名，因为实际结果会受硬件、录音内容、模型版本和环境影响。选择时应以自己的样本测试为准。

transcribe用于保留录音原本的语言并生成文字；translate用于把语音内容翻译成英文。制作中文字幕时，如果目标是保留中文原文，应使用--task transcribe，不要误用translate。

五、导出后必须人工校正

1. 校对文字：重点检查人名、地名、品牌名、专业术语、数字和英文缩写。
2. 调整标点：根据语义补充句号、逗号和问号，必要时拆分过长字幕。
3. 检查时间轴：对照音频确认字幕出现和消失的时间，避免抢字、漏字或停留过短。
4. 统一格式：统一专有名词写法，并检查SRT序号是否连续、时间码格式是否正常。

如果录音包含多人对话、背景噪声、重叠发言或明显口音，人工复核尤其重要。可以先用一分钟样本确定处理流程，再批量处理完整文件，减少发现参数不合适后重复等待的情况。

六、处理录音前确认授权

只应处理自己拥有权利或已经获得明确授权的录音。课程、访谈和会议内容可能涉及隐私、肖像、商业信息或其他版权限制；即使技术上能够转录，也不代表可以公开发布字幕。交付前应再次确认录音的使用范围、字幕的发布对象，以及是否需要对敏感内容进行删减或脱敏。