：3 條命令出結果，最小模型僅 75MB)
Whisper.cpp 離線語音識別實戰(zhàn)3 條命令出結果最小模型僅 75MB【免費下載鏈接】whisper.cppPort of OpenAIs Whisper model in C/C項目地址: https://gitcode.com/GitHub_Trending/wh/whisper.cpp把倉庫自帶的 34 秒肯尼迪演講錄音samples/jfk.wav344KB交給本地機器模型文件就在硬盤上文字直接打印出來全程沒有一次網(wǎng)絡請求。這就是 whisper.cpp——OpenAI Whisper 的 C/C 移植版核心功能一句話離線語音識別音頻進去文字出來。它替你解決了什么獨立開發(fā)者不需要任何云端 SDK 和 API Keywhisper-cli一個二進制加一個模型文件就是完整鏈路隱私敏感團隊錄音不出內網(wǎng)轉寫在誰的機器上跑就是誰的云端零接觸嵌入式/移動開發(fā)者C 語言核心 成熟綁定交叉編譯后直接鏈進產品Web 團隊能編成 WebAssembly在瀏覽器里跑同一個推理內核bindings/javascript/Android / iOS 應用倉庫里有完整可運行的示例工程examples/whisper.android.java/、examples/whisper.swiftui/從零到出結果最小可行路徑第一步拿到代碼git clone https://gitcode.com/GitHub_Trending/wh/whisper.cpp cd whisper.cpp克隆而不是下載源碼包是因為后兩步要直接調用倉庫里的構建腳本。第二步構建并下載模型make bash models/download-ggml-model.sh base.enmake實際執(zhí)行 cmake 配置和 Release 編譯產物落在build/bin/腳本把base.en模型約 142MB拉進models/目錄英文場景選.en版本體積比多語言版小、速度更快。第三步跑通第一個示例./build/bin/whisper-cli -m models/ggml-base.en.bin -f samples/jfk.wav輸出即肯尼迪那段經典臺詞的文字稿帶逐段時間戳。注意新版本二進制叫whisper-cli不是早期資料里的main。為什么它跑得快底層 3 句話底層張量運算全部走內置的 ggml 庫不依賴 PyTorch 等重型框架編譯產物是純 C 二進制分發(fā)和交叉編譯都簡單。推理內存按最大規(guī)模一次性預分配前向計算過程中不再向系統(tǒng)要內存內存占用可預期。運行時按硬件自動切換加速路徑x86 上啟用 AVX 系列指令ARM 上走 NEON有 GPU 時還可以掛 Metal、CUDA、Vulkan 等后端。另外模型支持 4 位量化同樣權重的內存占用砍半精度損失是個位數(shù)百分比級別。選哪個模型一張表講清模型體積適合場景一句話點評tiny.en~75MB設備端、實時響應30 秒音頻幾秒出結果中文內容會漏字base.en~142MB通用桌面場景速度和準確率的默認平衡點medium~1.5GB離線服務器、高精度轉寫準確率明顯上一個臺階內存要 4GB 起large-v3~3.1GB追求極限精度的離線場景本地跑 Whisper 的天花板移動設備別碰拿不準就先跑base.en跑完覺得不夠準再升級medium。三個你大概率會遇到的場景會議速記輸入ffmpeg -i 會議.mp3 -ar 16000 -ac 1 -c:a pcm_s16le 會議.wav轉出來的 WAV → 得到帶時間戳的逐段文字 → 注意源音頻必須是 16kHz 單聲道格式不對識別會整體跑偏。視頻字幕輸入./build/bin/whisper-cli -m models/ggml-base.en.bin -f 視頻音頻.wav -of 字幕 -ot srt→ 得到.srt字幕文件 → 注意多語言視頻用多語言模型并加--language zh指定語種。設備語音控制輸入喚醒后采樣的 5 秒語音 → 得到一句文本命令詞 → 注意把whisper編譯成靜態(tài)庫鏈進固件語音識別全程離線運行斷網(wǎng)也不受影響。調優(yōu)與排坑內存和速度問題先砍哪里現(xiàn)象ARM 板子上跑同一模型比 x86 慢好幾倍線程越多反而越慢。最小動作-t 1把線程數(shù)壓到 1省掉線程同步開銷。現(xiàn)象大模型加載后內存爆掉進程直接被系統(tǒng)殺掉。最小動作換量化模型——./build/bin/quantize models/ggml-base.en.bin models/ggml-base.en-q5_0.bin q5_0之后用新文件跑?，F(xiàn)象同一段音頻換了文件就識別出亂碼。最小動作先用ffmpeg -i 文件確認是 16kHz 單聲道 16bit WAV不是就轉碼再喂進去。現(xiàn)象非英語內容被當成英語轉漏句嚴重。最小動作加--language zh顯式指定語種別依賴自動檢測。接進你的項目C / Cinclude/whisper.h —— 初始化、whisper_full()喂數(shù)據(jù)、按段取文字三步調用Gobindings/go/ —— 帶完整示例go build即可用Pythonexamples/python/ —— 參考腳本演示如何封裝調用Java / Kotlinbindings/java/ —— 含 Android 工程Gradle 直接構建WebAssemblybindings/javascript/ —— 瀏覽器內跑離線語音識別核心就兩個文件include/whisper.h 定義接口src/whisper.cpp 全部實現(xiàn)。三條命令加一個 75MB 起步的模型今天就能在自己機器上轉完第一段語音。【免費下載鏈接】whisper.cppPort of OpenAIs Whisper model in C/C項目地址: https://gitcode.com/GitHub_Trending/wh/whisper.cpp創(chuàng)作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考 Whisper.cpp 離線語音識別實戰(zhàn)：3 條命令出結果，最小模型僅 75MB
Whisper.cpp 離線語音識別實戰(zhàn)3 條命令出結果最小模型僅 75MB【免費下載鏈接】whisper.cppPort of OpenAIs Whisper model in C/C項目地址: https://gitcode.com/GitHub_Trending/wh/whisper.cpp把倉庫自帶的 34 秒肯尼迪演講錄音samples/jfk.wav344KB交給本地機器模型文件就在硬盤上文字直接打印出來全程沒有一次網(wǎng)絡請求。這就是 whisper.cpp——OpenAI Whisper 的 C/C 移植版核心功能一句話離線語音識別音頻進去文字出來。它替你解決了什么獨立開發(fā)者不需要任何云端 SDK 和 API Keywhisper-cli一個二進制加一個模型文件就是完整鏈路隱私敏感團隊錄音不出內網(wǎng)轉寫在誰的機器上跑就是誰的云端零接觸嵌入式/移動開發(fā)者C 語言核心 成熟綁定交叉編譯后直接鏈進產品Web 團隊能編成 WebAssembly在瀏覽器里跑同一個推理內核bindings/javascript/Android / iOS 應用倉庫里有完整可運行的示例工程examples/whisper.android.java/、examples/whisper.swiftui/從零到出結果最小可行路徑第一步拿到代碼git clone https://gitcode.com/GitHub_Trending/wh/whisper.cpp cd whisper.cpp克隆而不是下載源碼包是因為后兩步要直接調用倉庫里的構建腳本。第二步構建并下載模型make bash models/download-ggml-model.sh base.enmake實際執(zhí)行 cmake 配置和 Release 編譯產物落在build/bin/腳本把base.en模型約 142MB拉進models/目錄英文場景選.en版本體積比多語言版小、速度更快。第三步跑通第一個示例./build/bin/whisper-cli -m models/ggml-base.en.bin -f samples/jfk.wav輸出即肯尼迪那段經典臺詞的文字稿帶逐段時間戳。注意新版本二進制叫whisper-cli不是早期資料里的main。為什么它跑得快底層 3 句話底層張量運算全部走內置的 ggml 庫不依賴 PyTorch 等重型框架編譯產物是純 C 二進制分發(fā)和交叉編譯都簡單。推理內存按最大規(guī)模一次性預分配前向計算過程中不再向系統(tǒng)要內存內存占用可預期。運行時按硬件自動切換加速路徑x86 上啟用 AVX 系列指令ARM 上走 NEON有 GPU 時還可以掛 Metal、CUDA、Vulkan 等后端。另外模型支持 4 位量化同樣權重的內存占用砍半精度損失是個位數(shù)百分比級別。選哪個模型一張表講清模型體積適合場景一句話點評tiny.en~75MB設備端、實時響應30 秒音頻幾秒出結果中文內容會漏字base.en~142MB通用桌面場景速度和準確率的默認平衡點medium~1.5GB離線服務器、高精度轉寫準確率明顯上一個臺階內存要 4GB 起large-v3~3.1GB追求極限精度的離線場景本地跑 Whisper 的天花板移動設備別碰拿不準就先跑base.en跑完覺得不夠準再升級medium。三個你大概率會遇到的場景會議速記輸入ffmpeg -i 會議.mp3 -ar 16000 -ac 1 -c:a pcm_s16le 會議.wav轉出來的 WAV → 得到帶時間戳的逐段文字 → 注意源音頻必須是 16kHz 單聲道格式不對識別會整體跑偏。視頻字幕輸入./build/bin/whisper-cli -m models/ggml-base.en.bin -f 視頻音頻.wav -of 字幕 -ot srt→ 得到.srt字幕文件 → 注意多語言視頻用多語言模型并加--language zh指定語種。設備語音控制輸入喚醒后采樣的 5 秒語音 → 得到一句文本命令詞 → 注意把whisper編譯成靜態(tài)庫鏈進固件語音識別全程離線運行斷網(wǎng)也不受影響。調優(yōu)與排坑內存和速度問題先砍哪里現(xiàn)象ARM 板子上跑同一模型比 x86 慢好幾倍線程越多反而越慢。最小動作-t 1把線程數(shù)壓到 1省掉線程同步開銷。現(xiàn)象大模型加載后內存爆掉進程直接被系統(tǒng)殺掉。最小動作換量化模型——./build/bin/quantize models/ggml-base.en.bin models/ggml-base.en-q5_0.bin q5_0之后用新文件跑?，F(xiàn)象同一段音頻換了文件就識別出亂碼。最小動作先用ffmpeg -i 文件確認是 16kHz 單聲道 16bit WAV不是就轉碼再喂進去。現(xiàn)象非英語內容被當成英語轉漏句嚴重。最小動作加--language zh顯式指定語種別依賴自動檢測。接進你的項目C / Cinclude/whisper.h —— 初始化、whisper_full()喂數(shù)據(jù)、按段取文字三步調用Gobindings/go/ —— 帶完整示例go build即可用Pythonexamples/python/ —— 參考腳本演示如何封裝調用Java / Kotlinbindings/java/ —— 含 Android 工程Gradle 直接構建WebAssemblybindings/javascript/ —— 瀏覽器內跑離線語音識別核心就兩個文件include/whisper.h 定義接口src/whisper.cpp 全部實現(xiàn)。三條命令加一個 75MB 起步的模型今天就能在自己機器上轉完第一段語音。【免費下載鏈接】whisper.cppPort of OpenAIs Whisper model in C/C項目地址: https://gitcode.com/GitHub_Trending/wh/whisper.cpp創(chuàng)作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考