技能介绍

解决的问题

很多语音转录方案默认依赖云端 API：上传音频、等待返回、按调用量计费。这在实际工程中会引出三个具体麻烦——音频文件离开了本机，隐私敏感的会议录音、医疗口述、法务材料很难交付给第三方服务；成本随音频时长线性增长，批量处理播客或长录音时账单难以控制；强网络依赖意味着离线环境、内网环境或弱网场景下能力直接失效。

@user_3c6cb52e/openai-whisper-transcription 的定位是把 Whisper 的转录能力放进本地环境，由 Agent 在需要转录音频时直接调用本机已安装的模型，不经过外部 API。

工作方式

技能的核心能力很直接：输入音频文件路径，输出转录文本。内部流程大致是：

定位本机已安装的 openai-whisper Python 包；
读取音频文件，依赖 ffmpeg 完成解码，Whisper 只接受标准音频输入，mp3、wav 等格式都要先转码；
选择模型档位执行推理，返回转录结果。

技能基于 OpenAI 开源的 whisper 实现，上游提供了 Colab 入门 notebook，可以用来快速验证流程。

适用边界与注意点

算力要求不低：Whisper 推理吃算力，小模型在纯 CPU 上还能跑，大模型基本需要 GPU，低配机器上不要盲目选大档位。
ffmpeg 是硬依赖：系统里没有 ffmpeg，技能会在解码阶段直接失败，报错信息还容易被误判成模型问题。
版本兼容有范围：上游在 Python 3.9.9 与 PyTorch 1.10.1 上训练验证，官方说明兼容 Python 3.8–3.11 与较新的 PyTorch，更新的运行时组合未验证。
准确率随档位变化：模型越小速度越快但错误越多，音频质量差时小模型几乎不可用，需要按场景权衡。