Whisper 语音转文字技能
将音频/语音文件识别并转换为文字。
使用方式
自动处理（推荐）
当用户发送语音/音频文件时，自动：
- 识别语音内容
- 转换为文字
- 发送文字到飞书
手动命令
用户发送音频文件后，技能自动处理。
支持格式
- MP3, WAV, M4A, OGG, FLAC, WebM
- 任何音频格式（FFmpeg支持即可）
模型选择
| 模型 | 大小 | 速度 | 精度 |
|---|---|---|---|
| tiny | ~1GB | 最快 | 基础 |
| base | ~1GB | 快 | 一般 |
| small | ~2GB | 中等 | 较好 |
| medium | ~5GB | 较慢 | 很好 |
| large | ~10GB | 最慢 | 最佳 |
| turbo | ~6GB | 快 | 接近large |
技术实现
import whisper
# 加载模型（首次使用会下载）
model = whisper.load_model("base") # 可选: tiny/base/small/medium/large/turbo
# 识别语音
result = model.transcribe("audio.mp3")
# 输出文字
print(result["text"])
依赖
- Python 3.8+
- PyTorch
- openai-whisper
- ffmpeg
注意事项
- 首次使用会下载模型（1-10GB）
- 大模型需要较多内存
- 中文识别效果很好