Whisper值得装吗：本地转写不花钱，坑在显存和幻觉

Whisper 值不值得装，答案取决于你要转写的量和手头的硬件。它是 OpenAI 在 2022 年发布的开源语音识别模型，音频留在自己电脑上转写，不按分钟收费。每个月只有零星几段录音的人，用现成的转写服务更省事；每周都要处理会议、采访、播客的人，装一次能省下长期的费用和等待。

官方仓库信息

官方仓库在 GitHub 上，组织名是 openai，项目名是 whisper，代码和模型权重按 MIT 许可证发布。模型分 tiny、base、small、medium、large 和 turbo 六档，官方给出的参考显存大约是 tiny 和 base 各 1GB、small 约 2GB、medium 约 5GB、turbo 约 6GB、large 约 10GB，速度以 large 为基准，tiny 最快。实际占用会随运行方式变化，装之前先按这个表对一下自己的显卡，没有显卡也可以先从 tiny 或 base 起步。

部署本身不复杂，真正花时间的是选运行方式。原版用 Python 加 FFmpeg 就能跑，追求速度的换 faster-whisper，追求在 CPU 或苹果芯片上跑的换 whisper.cpp。模型第一次运行要下载，之后可以完全离线。没有界面是它的本色：它只负责把音频变成文字，听写、实时字幕、自动分段都要靠别的工具接上去，别指望装完就能直接开会用。

三个真实坑点，装之前先认清

1. 安静段容易“脑补”。长时间静音或背景噪音里，模型可能凭空写出没说过的话，前面加语音活动检测、把长音频切段再转，能明显减少这类问题。
2. 专有名词和人名照样会错。人名、地名、产品名要人工校对，重要场合别把转写稿直接发出去，数字和时间尤其要回听原文。
3. 长音频的时间戳会漂移。两三个小时的录音，分段边界和说话人切换处最容易对不上，拿它当逐字稿底稿可以，当最终纪要不行。

适合每周固定转写、又在意音频不外传的人；不适合只想点开就用、或者电脑太旧连 small 都跑不动的人。对后者，先用 small 在短录音上试一次，跑得动再决定要不要上 large。