Whisper命令行工具Skill：一条命令把本地音频变成可编辑文字
- 本地转写、零 API 密钥：这个技能本质上是让 AI 助手直接调用你电脑上的
whisper命令行工具，音频不离开本机，也不需要申请任何 API Key。 - 一句话出稿：
whisper /路径/audio.mp3 --model medium --output_format txt --output_dir .即可把音频转成 txt；换--output_format srt就能直接拿到字幕文件。 - 默认模型为 turbo：在当前安装中
--model默认为turbo，追求速度就选小模型，追求准确率就换大模型。 - 首次运行自动下载模型：模型会缓存到
~/.cache/whisper，之后离线可用。 - 安装门槛低：通过 Homebrew 的
openai-whisper公式一条命令装好，装完即被技能识别并调用。
该技能叫什么？如何下载安装 AI 技能提升开发效率？
技能中文名：Whisper命令行工具Skill 技能英文名：openai-whisper 技能ID：13575
它解决的是一个非常具体、也非常高频的痛点：「我有一段本地音频，想马上变成文字，但不想上传到第三方网站、不想注册账号、不想配 API 密钥」。传统做法是打开某个在线转写网站，上传文件、等待排队、复制结果，涉及隐私的访谈录音、内部会议、客服通话往往不敢上传。Whisper 本身是一个开源的语音识别模型，而 openai-whisper 这个技能的作用是：把「本地 whisper 命令」这件事封装成一个 AI 助手可以直接调用的能力，你只需要说「把这段录音转成文字」，助手就会帮你拼好命令行并执行。
这正是「一键安装 AI 技能提升开发效率」的思路：装一次，之后所有对话都能复用它，不需要每次重新查参数、记路径。
安装思路与步骤如下（具体命令以官方说明为准）：
- 确认安装前提：该技能要求系统中存在可执行文件
whisper（即技能元数据中的bins: ["whisper"]）。如果你在 macOS 上使用 Homebrew，可以直接用官方提供的安装方式。 - 执行安装：技能内置的安装方式是 Homebrew 公式安装，公式名为
openai-whisper，执行brew install openai-whisper即可（以官方说明为准）。安装完成后系统会获得whisper命令。 - 验证是否生效：在终端输入
whisper --help，能打印出参数帮助就说明可执行文件已就位；随后用一段几秒钟的短音频跑一次最小用例，例如whisper /路径/test.mp3 --output_format txt，能生成 txt 文件即代表链路打通。 - 交给 AI 助手使用：确认
whisper可用后，技能即可被识别和调度，你可以在对话中直接描述任务（如「把 ~/Downloads/interview.m4a 转录成带时间轴的字幕」），由助手生成对应命令。 - 注意首次运行开销：模型会在首次运行时下载到
~/.cache/whisper，第一次执行会明显变慢，属于正常现象；下载完成后可反复离线使用。
该技能的主要功能和特点
- 纯本地语音转文本：技能描述明确为「使用 Whisper CLI 进行本地语音转文本（无需 API 密钥）」。音频不上传云端，不依赖任何在线服务的额度与限流。
- 无需 API 密钥：这是它与绝大多数云端转写服务最大的区别，没有账号、密钥、计费配置的准备工作，装完就能用。
- 多输出格式：通过
--output_format参数决定产物类型，详情中给出的示例包括txt（纯文本）和srt（字幕），并可配合--output_dir指定输出目录，产物直接落到你指定的文件夹里。 - 转录与翻译两种任务：
--task translate参数可把外语音频转写并翻译（示例为whisper /路径/audio.m4a --task translate --output_format srt），适合处理英文、日文等外语素材。 - 模型可调，速度与精度自由权衡：通过
--model选择模型大小，小模型换速度、大模型换准确率；在当前安装中默认--model turbo，开箱即用。 - 模型本地缓存：模型文件存放在
~/.cache/whisper，一次下载、长期复用，不需要每次联网。 - 由 AI 助手代劳参数拼装：和「手动敲命令」相比，最大的差异化在于：路径、模型、格式、输出目录这些参数由助手根据你的自然语言描述生成，减少了查文档和记参数的成本。
如何使用该技能？
核心只有一个命令 whisper，其余全是参数组合。以下是分步骤的使用指南。
第 1 步：准备音频文件并拿到绝对路径。
例如文件在 ~/Downloads/meeting.m4a，转成绝对路径 /Users/你的用户名/Downloads/meeting.m4a，避免相对路径带来的找不到文件问题。
第 2 步：选择调用方式。 方式一，直接在终端执行命令；方式二，向 AI 助手描述需求，由助手生成并执行命令。后者更省心，尤其当你记不住参数时。
第 3 步：按目标选择参数组合。
- 想要纯文本纪要：
whisper /路径/audio.mp3 --model medium --output_format txt --output_dir .这里--model medium指定中等模型（准确率与速度的折中），--output_format txt输出纯文本，--output_dir .表示输出到当前目录。 - 想要视频字幕文件：
whisper /路径/audio.m4a --task translate --output_format srt这里--task translate表示执行翻译任务，--output_format srt输出字幕格式，可直接导入剪辑软件或播放器。 - 想快点看到结果：不加
--model，使用默认的turbo模型，或显式指定更小的模型，以官方说明中支持的模型名为准。 - 想要更高准确率：显式指定更大的模型（如
--model medium或更大），代价是耗时增加。
第 4 步：读取输出。
命令执行完成后，文本或字幕文件会出现在 --output_dir 指定的目录中（未指定时以工具默认行为为准）。用文本编辑器打开 txt 校对，或把 srt 拖进剪辑软件。
第 5 步：校对与二次加工。 机器转写难免有同音字、专有名词、人名错误，建议对关键段落做人工校对；如果要做会议纪要，可把 txt 内容再交给 AI 助手做摘要与待办提取。
输入输出示例（示意）
| 项目 | 内容 |
|---|---|
| 输入 | /Users/me/Downloads/interview.m4a（一段访谈录音） |
| 命令 | whisper /Users/me/Downloads/interview.m4a --model medium --output_format txt --output_dir . |
| 输出 | 当前目录下生成对应的 txt 文本文件，内容为录音的文字稿 |
注意事项：首次运行会下载模型到 ~/.cache/whisper，请预留磁盘空间并保持网络可用；音频越长、模型越大，耗时越长，建议先用短片段试跑确认参数无误。
同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| openai-whisper（本技能） | 本地命令行语音转文本，由 AI 助手调度 | 本地转录、--task translate 翻译、txt/srt 多格式输出、模型可调 |
需本机存在 whisper 命令（可用 Homebrew 公式 openai-whisper 安装）；无需 API 密钥 |
隐私敏感的访谈/会议、批量音频处理、字幕制作 | 优势：数据不出本机、无密钥、可离线、格式灵活；不足：需本地算力，长音频耗时较长，首次要下载模型 |
| 在线转写网站/云笔记类服务 | SaaS 转写平台 | 上传音频返回文字，通常带网页编辑器与协作 | 注册账号即可，几乎零安装 | 临时、非敏感的短音频转写 | 优势：上手快、有可视化界面；不足：需上传文件存在隐私顾虑，通常有免费额度与时长限制（以官方说明为准） |
| 云厂商语音识别 API | 面向开发者的云端 ASR 接口 | 通过 HTTP/SDK 调用，支持实时流式识别 | 需申请密钥、配置计费、写调用代码 | 产品内嵌语音能力、大规模并发 | 优势：稳定性与并发能力强、可工程化集成；不足：需要密钥与费用管理，存在网络与合规依赖 |
| 其他本地 Whisper 实现（如各类加速版推理框架） | 本地推理优化方案 | 同样基于 Whisper 模型做本地转写，侧重推理速度 | 需自行安装对应运行时 | 追求极限速度或特定硬件加速 | 优势：在部分硬件上速度更快；不足：安装与参数体系更复杂，需自行摸索，与助手的集成度取决于具体方案（以官方说明为准） |
选型建议：隐私优先、想一条命令搞定、还想让 AI 助手帮你拼参数，选本技能；只想偶尔转一段公开音频、不介意上传，用在线服务更省事；要把语音能力做进产品，云端 API 更合适。
该技能的典型应用场景与实际体验情况
场景一：媒体与内容创作者的访谈整理。
角色：播客主理人、记者、自媒体作者。痛点：一两小时的访谈录音，手动听写要花数小时。使用方式：把录音文件放进本地目录，让助手执行 whisper /路径/interview.mp3 --model medium --output_format txt --output_dir .，拿到文字稿后再做摘要。
实际体验：上手几乎无门槛，第一次运行因为要下载模型会比较慢，之后同模型复用就顺畅很多；medium 模型在普通话清晰录音上表现可用，但人名、专业术语仍需校对。
场景二：视频剪辑的字幕制作。
角色：剪辑师、课程制作团队。痛点：手工打字幕轴极其枯燥。使用方式：--output_format srt 直接产出字幕文件，外语素材再加 --task translate。
实际体验：srt 产物可直接导入剪辑软件，省掉大量打字时间；注意翻译任务输出的是翻译后的语言，如果既要原文又要译文，需要分别跑两次。
场景三：企业内部会议与客服录音归档。
角色：行政、运营、合规岗位。痛点：内部录音涉及商业信息，不敢上传第三方网站。使用方式：全程本地执行，模型缓存在 ~/.cache/whisper，断网也能跑。
实际体验：这是本技能最「不可替代」的场景，隐私顾虑被彻底消除；但需要提前规划磁盘与算力，长会议建议分段处理，避免一次跑太久。
场景四：开发者做语音能力预研与数据标注。
角色：算法/后端工程师。痛点：想快速验证一段音频的转写质量，又不想先接一套云服务。使用方式：命令行批量跑几个样本，比较不同 --model 下的效果差异。
实际体验：命令行参数直观，脚本化容易；但要注意模型大小与耗时基本成正比，试模型时先用短样本。
整体体验总结：上手难度低（会用一个命令即可），效果取决于音频质量与模型大小，最大的注意点是首次模型下载与长音频耗时。
该技能能为用户带来的价值
- 效率提升：把「听录音、暂停、打字、回退」这种 1 小时音频耗 3-4 小时的手工流程，压缩成一条命令加一轮校对，字幕场景下省掉的打字时间尤其明显。
- 门槛降低：不需要懂机器学习、不需要申请 API 密钥、不需要写 Python 脚本，只要系统里有
whisper命令即可；参数由 AI 助手代劳拼装，新手也能一次跑通。 - 隐私与合规价值：本地转写意味着音频与文稿都不离开自己的设备，对访谈、会议、客服等敏感素材是刚性需求。
- 成本可控：无需为每次转写支付接口费用，代价转移到本地算力与时间上；模型下载一次长期复用，边际成本趋近于零。
- 长期可复用：模型缓存到
~/.cache/whisper、命令参数体系统一，做得越多越熟练，可沉淀为自己的固定工作流，甚至写进脚本批量处理历史音频资产。
常见问题 FAQ
Q1：这个技能怎么安装？必须用 Homebrew 吗？
A：技能元数据中提供的安装方式是 Homebrew 公式安装，公式名为 openai-whisper，装好后系统中会出现 whisper 命令。技能的硬性前提是「系统中存在 whisper 可执行文件」，因此如果你已经通过其他方式装好了 whisper，同样可以被识别。具体命令与依赖以官方说明为准。
Q2：用这个技能收费吗？需要 API 密钥吗？ A：不需要 API 密钥——技能描述明确写着「本地语音转文本（无需 API 密钥）」。转写在本机完成，不产生接口调用费用。你付出的是本地算力与时间成本；音频文件与模型下载本身的流量成本由你自己承担。
Q3：适合谁用？不适合谁？ A：适合需要处理隐私敏感音频的人（记者、行政、合规）、需要批量出字幕的剪辑与课程团队、想快速验证语音转写效果的开发者。不太适合完全不想碰命令行、也没有本地算力、只想上传一段短音频马上看结果的用户，这类需求用在线转写服务更省事。
Q4：第一次运行特别慢，是出问题了吗？
A：不是。模型会在首次运行时下载到 ~/.cache/whisper，下载完成后再次运行就会明显加快。另外耗时长也与模型大小和音频长度有关：小模型快、大模型准，长音频建议分段跑。
Q5：转写结果有错字怎么办？能直接出字幕吗？
A：机器转写存在同音字与专有名词误识别的可能，建议对关键内容人工校对。字幕场景直接用 --output_format srt 输出字幕文件即可，外语素材可加 --task translate 同时完成翻译；具体支持的格式与参数以官方说明为准。