本地 Whisper 语音识别

要解决的离线转写痛点

在无网络或数据需本地留存的场景（如内网开发、隐私敏感项目）中，多数语音转文字方案依赖云端 API，要么暴露音频数据，要么受网络波动影响稳定性。同时，Whisper 虽开源，但模型档位多、参数复杂，手动配置容易出现「选小模型识别不准、选大模型跑不动」的问题。

核心能力与工作逻辑

该技能将 Whisper 封装为开箱即用的本地转写工具，核心能力包括：

• 完全离线运行：首次下载模型后，后续转写全程不依赖网络
• 多档模型适配：覆盖从 tiny（39M）到 large-v3（1.5GB）的 5 种模型，默认使用 base 档平衡速度与精度
• 灵活参数控制：支持指定语言代码（省略则自动检测）、启用词级时间戳、输出 JSON 格式或抑制进度信息

工作流程依赖 uv 管理的本地虚拟环境（.venv/），初始化后通过命令行参数调用不同模型，适配从快速草稿转写到高精度专业内容的场景。

适用边界与注意点

• 首次使用需联网下载对应模型文件，后续可完全离线
• 大模型（如 turbo、large-v3）需占用更多磁盘空间与硬件资源，低配环境可能出现转写延迟
• 依赖 uv 工具管理虚拟环境，未安装需提前配置