技能使用指南

openai-whisper-api（OpenAIWhisper音频转录APISkill）Skill 是什么？怎么用？

OpenAIWhisper音频转录APISkill 把 Whisper 音频转文字接口封装成一条命令，只需 curl 与 OPENAI_API_KEY，支持指定模型、语种、prompt 纠偏与 JSON 输出，默认生成同名 txt 文字稿。本文详解安装配置、分步使用、竞品对比、典型场景与常见问题，帮你快速把会议录音、访谈、播客变成可检索文本，立即上手试试。

OpenAIWhisper音频转录APISkillopenai-whisper-api
8 个章节 约 14 分钟阅读 AI 智能生成

OpenAIWhisper音频转录APISkill：一条命令把音频文件变成可直接使用的文字稿

  • 一句话定位：这是一个把 OpenAI 官方音频转录接口（Whisper，/v1/audio/transcriptions）封装成一条命令的轻量技能，输入音频路径，输出转录文本。
  • 极简依赖：只需要 curl 和 OPENAI_API_KEY，不需要本地显卡、不需要下载模型权重、不需要写代码。
  • 默认就能用：默认模型 whisper-1，默认输出为「输入文件名 + .txt」，零参数也能跑通。
  • 几个关键参数够用：--model、--language、--prompt、--out、--json 覆盖了模型选择、语种指定、专有名词纠偏与结构化输出。
  • 适合谁：经常要处理会议录音、访谈音频、播客、课程录音的开发者、内容运营与知识工作者。

该技能叫什么？如何下载安装 AI 技能提升开发效率？

中文名：OpenAIWhisper音频转录APISkill
英文名：openai-whisper-api
技能ID：13576

它解决的问题非常具体：音频里的信息难以检索、难以复用。会议录音、采访音频、语音备忘、播客素材，如果不转成文字，就只能靠人一遍遍回听。而这个技能把「调用 OpenAI Whisper 转录接口」这件事压缩成一次脚本调用——你不用自己拼 multipart 表单、不用处理鉴权头、不用管返回结构，直接给出音频路径就能拿到文本。

在「一键安装 AI 技能提升开发效率」这件事上，它的思路是：先满足运行前提，再通过技能入口装载，最后用最小样例验证链路是否打通。

第一步：确认安装前提

  • 运行环境中有可用的 curl（技能元数据中声明的必需二进制项为 bins: ["curl"]）。
  • 准备一个可用的 OPENAI_API_KEY 环境变量（技能声明的主环境变量 primaryEnv 即为它）。
  • 该技能本身调用的是在线接口，因此需要能访问 OpenAI 平台的网络环境。

第二步：通过技能入口安装

在支持该技能格式的 AI 工具/智能体中，通过其技能市场或技能安装入口搜索英文名 openai-whisper-api（或技能ID 13576）进行安装。具体安装命令、入口位置与账户要求，以你所使用平台的官方说明为准。安装完成后，技能目录下会提供 scripts/transcribe.sh 脚本，这是技能的核心执行入口。

第三步：配置 API 密钥（两种方式任选）

方式一，使用环境变量：

export OPENAI_API_KEY=你的密钥

方式二，在 ~/.otto/otto.json 中为这个技能单独配置：

{
  skills: {
    "openai-whisper-api": {
      apiKey: "OPENAI_KEY_HERE",
    },
  },
}

第四步：验证是否生效

准备一个几秒钟的短音频（例如 audio.m4a），执行：

{baseDir}/scripts/transcribe.sh /path/to/audio.m4a

如果目录下出现了与输入同名的 .txt 文件，且内容是可读的文字稿，说明安装与鉴权均已生效。若失败，优先排查两点：OPENAI_API_KEY 是否在当前 shell 中可见；音频文件路径是否正确、格式是否被接口支持（支持范围以官方文档为准）。

该技能的主要功能和特点

  • 一条命令完成转录：transcribe.sh 接收音频路径即可，默认模型 whisper-1，默认输出 <input>.txt，对「只想快速拿到文字」的场景几乎没有学习成本。
  • 语种可显式指定：通过 --language en 之类的参数告知语种，便于在已知语种时减少识别歧义（支持语种范围以官方接口说明为准）。
  • 支持 prompt 提示词纠偏：--prompt "说话人姓名：Peter, Daniel" 可以提前把专有名词、人名、术语「喂」给模型，显著降低同音错字，这是很多简易转录工具不提供的实用能力。
  • 结构化输出：加 --json 后配合 --out /tmp/transcript.json，可拿到 JSON 结果，方便后续用脚本做分段、字段提取、入库等二次加工。
  • 输出路径可控：--out 允许把结果写到指定位置，便于接入自动化流水线与按目录归档。
  • 极低资源占用：转录在云端完成，本地只跑一个 shell 脚本，无需 GPU、无需下载模型文件，笔记本、轻量云主机都能跑。
  • 和「自己写 curl」相比强在哪：不用手写鉴权头、不用自己组织文件上传参数、不用处理响应体解析，参数命名统一，出问题时排查面更小。

如何使用该技能？

步骤 1：确认密钥可用

echo $OPENAI_API_KEY

能打印出内容即表示环境变量已就绪；为空则回到上文的两种配置方式补上。

步骤 2：最短路径转录

{baseDir}/scripts/transcribe.sh /path/to/audio.m4a

输入：一个音频文件路径（如 .m4a、.ogg 等）。输出：同目录下的 audio.txt，内容为转录文字。

步骤 3：指定模型与输出位置

{baseDir}/scripts/transcribe.sh /path/to/audio.ogg --model whisper-1 --out /tmp/transcript.txt

适用于需要统一归档到固定目录、或要把结果接入下游脚本的场景。

步骤 4：指定语种

{baseDir}/scripts/transcribe.sh /path/to/audio.m4a --language en

当音频语种明确时，加上该参数可以避免语种误判。

步骤 5：用 prompt 提升专有名词准确率

{baseDir}/scripts/transcribe.sh /path/to/audio.m4a --prompt "说话人姓名：Peter, Daniel"

适合人名、产品名、专业术语密集的访谈、技术会议录音。

步骤 6：需要结构化结果时输出 JSON

{baseDir}/scripts/transcribe.sh /path/to/audio.m4a --json --out /tmp/transcript.json

输入同上，输出为一个 JSON 文件，便于程序读取字段并做后续处理（具体字段结构以官方接口返回为准）。

步骤 7：把转录结果接进工作流

拿到 .txt 或 .json 之后，常见的下一步是：丢给大模型做摘要与待办提取、写入知识库做全文检索、作为字幕底稿再人工校对。

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-api（本技能） 把 OpenAI 音频转录接口封装成一条命令 音频转文字；支持模型、语种、prompt、JSON 输出与自定义输出路径 低：需 curl 与 OPENAI_API_KEY，一条命令即用；按官方接口计费，价格以官方说明为准 会议录音、访谈、播客、课程音频的快速转录与自动化流水线 优势：上手极快、无本地算力要求、参数简洁；不足：依赖网络与云端接口，长音频/批量任务受接口限制（限制以官方说明为准），无法离线使用
本地开源 Whisper（如本地部署方案） 开源自建，模型跑在自己机器上 本地推理转录，可自由调整模型规模 中高：需安装运行环境、下载模型权重、通常需 GPU 才流畅 涉密音频、离线环境、超大批量处理 优势：数据不出本地、可离线、边际成本低；不足：部署与调优成本高，速度受硬件限制
云厂商通用语音识别服务 各家云平台的 ASR 产品 语音转写、时间戳、说话人分离等 中：需开通云账号、配置密钥与区域、阅读 SDK/接口文档 企业级大规模转写、需要说话人分离等增强能力 优势：功能矩阵完整、可与企业云资源打通；不足：接入配置繁琐，按量计费结构较复杂，价格以各家官方说明为准
人工转写 / 带语音转文字功能的笔记工具 人力 + 工具辅助 录音存档与人工整理成稿 低（工具）到高（人力） 高价值少量音频、需要高准确率的正式稿件 优势：可人工纠错、质量可控；不足：耗时且成本高，不适合日常大批量音频

选型建议：追求「今天就想把一堆录音变成文字」，选本技能；音频涉密或完全离线，选本地部署方案；需要说话人分离等企业级增强能力，评估云厂商 ASR；正式对外发布的稿件，人工校对环节始终建议保留。

该技能的典型应用场景与实际体验情况

场景一：开发者整理需求评审会录音 产品经理丢来一段 40 分钟的评审会录音，开发者只想快速找到与自己相关的接口改动。做法：先跑默认命令拿到 .txt，再把文本交给大模型做要点提取。实际体验：上手几乎为零成本，装好配好密钥之后就是一条命令；注意点在于长音频的处理时长与接口大小限制，建议按需切分后再转录（具体限制以官方说明为准）。

场景二：内容运营处理播客与访谈素材 做播客的文字稿、做访谈的引用摘录，最耗时的就是「听写」环节。做法：用 --language 指定语种，并用 --prompt 预先写入嘉宾姓名、栏目名、品牌名，减少同音错字。实际体验：prompt 这一项对专有名词的改善非常直观；但转录结果仍需人工通读一遍，尤其是数字、金额与生僻人名。

场景三：知识工作者把语音备忘变成可检索笔记 手机录的碎片化想法、会议口头结论，长期躺在相册里不会被翻出来。做法：定期用脚本批量跑一遍，输出统一落到 /tmp/transcript.txt 这类固定路径或按日期归档，再同步到笔记库。实际体验：配合 --json 输出更适合写自动化脚本；注意输出路径要规划好，否则容易覆盖同名文件。

场景四：开发者集成到自己的工具链中 把 transcribe.sh 当作「音频转文字」这一环的稳定组件，上游是文件监控或上传入口，下游是摘要、翻译、检索服务。实际体验：因为参数是命令行式的、输出是文件，嵌入 shell 脚本或任务调度非常自然；注意做好密钥管理，不要把 API Key 硬编码进脚本提交到代码仓库。

整体上手评价：难度低——前提只有 curl 与一个密钥；效果取决于音频质量与是否善用 --language、--prompt；注意事项集中在网络可用性、音频切分、密钥安全与输出文件命名这四点上。

该技能能为用户带来的价值

  • 把「听写」从小时级压到分钟级：一段需要反复回听数小时的录音，变成一次命令调用加少量校对，时间主要花在校对而非听写上。
  • 降低技术门槛：不需要理解 HTTP 上传、不需要写 Python、不需要申请额外的 SDK，会敲一条命令就能用上业界主流的语音识别能力。
  • 降低硬件门槛：转录在云端完成，没有 GPU 的轻薄本、临时开的云主机都能跑，省掉了本地模型部署与显存调优的整段工作。
  • 可量化的收益方向：单条音频的处理从「人工逐句听写」变为「脚本转录 + 人工校对」，人工环节的耗时通常能按比例大幅下降，具体幅度取决于音频清晰度与专业术语密度。
  • 长期价值在于「可检索」：音频一旦变成文本，就能被搜索、被摘要、被引用、被二次创作，历史素材从「沉睡资产」变成可复用知识库。
  • 工程价值：命令行 + 文件输出的形态天然适合自动化，一次搭好流水线，后续每新增一条音频都是边际成本极低的事。

常见问题 FAQ

Q1：这个技能怎么安装？需要准备什么？ 先在支持该技能格式的 AI 工具中通过技能入口搜索 openai-whisper-api（技能ID 13576）安装，然后确保运行环境有 curl，并配置好 OPENAI_API_KEY（环境变量或 ~/.otto/otto.json 二选一）。安装命令与入口位置以你所使用平台的官方说明为准。

Q2：收费吗？怎么计费？ 本技能本身只是对 OpenAI 音频转录接口的调用封装，产生费用的是 OpenAI 平台的接口调用。具体计费方式与价格请以 OpenAI 官方说明为准，本技能不额外提供价格信息。

Q3：能把转录结果输出成 JSON 或指定文件名吗？ 可以。使用 --json 输出 JSON 格式，配合 --out /tmp/transcript.json 指定路径；普通文本场景用 --out /tmp/transcript.txt 即可。默认情况下输出为 <input>.txt。

Q4：转录结果里人名、术语老出错怎么办？ 使用 --prompt 提前给出提示，例如 --prompt "说话人姓名：Peter, Daniel"，把容易出现同音错误的人名、产品名、术语写进去；同时在语种明确时加上 --language 参数，减少语种误判带来的连锁错误。

Q5：它和本地部署 Whisper、云厂商 ASR 怎么选？ 想要「立刻可用、不折腾环境」，选本技能；音频涉密或需要完全离线，选本地部署方案；需要说话人分离、大规模企业级转写等增强能力，评估云厂商 ASR 产品。多数团队的实际做法是：日常批量用本技能，敏感素材走本地或私有化方案，正式稿件保留人工校对。