语音与音频先试这个
Whisper
openai / whisper
OpenAI 的语音识别模型与推理代码,多语言、带时间戳,安装简单。
为什么选
- 多语言识别稳,适合做转写基线。
- 模型与代码开放,社区资料多。
- 命令行与 Python 调用都简单。
不适合
实时低延迟流式识别要额外工程。
说话人分离、热词定制要自己补。
许可与使用边界
GitHub 快照显示许可为 MIT。开源不等于可商用:GPL / AGPL 有传染性;代码许可、模型许可、生成内容许可要分开看。上线前读仓库 LICENSE 与模型卡,必要时让法务确认。
替代与相邻
- faster-whisper — 轻量,用 CTranslate2 重写 Whisper 推理,速度更快、显存更省。
- WhisperX — 轻量,Whisper + 对齐 + 说话人分离,输出词级时间戳与说话人标签。
- FunASR — 生产可用,阿里达摩院的语音识别工具链,中文 ASR、标点、热词、说话人分离齐全。
下一步
- 打开 GitHub,先读 README、LICENSE、最近 release 与 issue。
- 按“部署依赖 / 显存 / 数据 / 网络 / 权限”列一张上手清单。
- 用一个小样本跑通,再决定是否进生产;不要直接上生产数据。
快照口径:stars / forks / language / license / pushed_at 来自 GitHub API 2026-11-19 快照;之后的变化没有回写。标签与“适合 / 不适合”是编辑判断,不是 GitHub 元数据。
不背书:本站只做索引与风险提示,不审计代码、不保证安全、不替你做许可判断。仓库脚本与模型权重请自行审查。