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：

1. 识别语音内容
2. 转换为文字
3. 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

1. 首次使用会下载模型（1-10GB）
2. 大模型需要较多内存
3. 中文识别效果很好