Whisper
Whisper是OpenAI开源的语音识别模型，在99种语言上提供顶尖的转录准确率，可免费在本地运行或通过OpenAI API使用。
Whisper是OpenAI于2022年9月发布的开源自动语音识别（ASR）系统。基于从互联网收集的68万小时多语言多任务监督学习数据训练而成，Whisper在易用、高精度语音转录领域实现了重大突破。该模型以MIT许可证发布，可在商业和非商业场景中完全免费使用、修改和集成，不受任何限制。
Whisper的架构是将驱动大型语言模型的相同基础设计——序列到序列Transformer模型——应用于音频领域。模型接受原始音频输入，在单一统一模型内直接输出文本，处理转录、翻译、语言识别和语音活动检测等任务。最大版本whisper-large-v3在复杂真实音频条件下的准确率超越了许多商业授权ASR系统。
Whisper最受称道的优势之一是其鲁棒性。与许多在背景噪声、口音、非母语者或专业术语下性能大幅下降的语音识别系统不同，Whisper在各种声学条件下均能保持强劲性能，对强口音语音、技术术语、多人顺序发言和有中等背景噪声的音频的处理能力远超上一代模型。
Whisper支持99种语言的转录和翻译，在英语、西班牙语、法语、日语、中文、韩语等语言上表现尤为出色。模型可在GitHub上免费获取并在本地运行，也可通过OpenAI API以每分钟$0.006的低廉价格作为托管服务使用。其开源特性使其成为数十款第三方转录产品、会议笔记工具、播客平台和开发者工具的底层技术支撑。
主要功能
- 基于68万小时多语言音频训练的99种语言顶尖语音识别准确率
- 在背景噪声、强口音和专业术语等挑战性条件下的鲁棒性能
- MIT许可证下完全免费开源——无使用费用或限制，可在本地运行
- 多种模型尺寸（tiny/base/small/medium/large-v3），适应任何硬件的速度与精度平衡需求
- 单一管道步骤将任意支持语言的音频直接翻译为英文文本
- 无需手动配置即可自动识别发言语言的语言检测功能
- 通过OpenAI托管API以每分钟$0.006的低价支持大批量生产使用
- 作为核心转录引擎为数十款第三方应用和服务提供支撑
- 识别音频文件中语音片段并过滤静音的语音活动检测
- 支持MP3、MP4、WAV、FLAC等多种音频格式和来源
常见问题
Whisper真的免费吗？费用是多少？
Whisper在MIT开源许可证下可完全免费下载并在本地运行。自托管时没有使用费用、速率限制或商业限制。对于希望使用托管服务而无需承担基础设施负担的用户，OpenAI以每分钟音频$0.006（每小时约$0.36）的价格提供Whisper API服务。模型权重、代码和文档均可在GitHub上免费获取。
如何在本地运行Whisper？
本地运行Whisper需要Python和pip。通过'pip install openai-whisper'安装，然后用'whisper audio.mp3 --model large-v3'命令从命令行执行转录。首次运行时会自动下载所选模型权重。large-v3模型建议使用至少10GB显存的GPU以获得较快的推理速度，但'medium'和'small'等较小模型在CPU和低性能GPU上也能正常运行。Python API同样支持集成到自定义应用程序中。
应该选择哪个Whisper模型大小？
模型选择取决于精度需求和硬件条件。'tiny'和'base'模型速度最快，适合任何硬件上清晰英语音频的处理。'small'和'medium'模型在精度与速度之间取得良好平衡，在现代CPU上运行效果良好。'large-v3'模型在所有语言和条件下提供最高精度，但需要高性能GPU才能达到合理的推理速度。对于大多数需要高精度的生产用途，推荐使用large-v3，这也是OpenAI API所采用的模型。
Whisper与其他转录服务相比准确率如何？
Whisper large-v3在多样化音频基准测试中与许多商业转录服务持平甚至超越，尤其在非英语语言、带口音的语音和嘈杂音频方面表现突出。在许多标准英语基准测试中词错误率低于5%。对于通用多语言转录，Whisper被广泛认为是最佳的免费可用选择。
Whisper能将其他语言的音频翻译成英文吗？
可以，Whisper内置了将音频直接翻译为英文的功能。可以输入99种支持语言中任意一种的音频，无需单独的翻译步骤即可获得英文文本输出。在CLI中指定'--task translate'或在API中设置task参数即可实现。需要注意的是，Whisper的翻译仅支持英文作为目标语言——如需翻译为其他目标语言，需先进行转录，再使用独立的翻译模型。
Whisper 对比
与本站收录的其他音频工具并列对比。价格不是估算，而是核查当日厂商实际收取的金额。
| 工具 | 价格 | 免费方案 | 最后核实 |
|---|---|---|---|
| Whisper (本页) | 免费增值 · Whisper 模型本身是开源（MIT），自行部署免费。通过 OpenAI API 使用时，whisper-1… | 有 | 2026-10 |
| AssemblyAI | 付费 · 注册即获$50额度（无需信用卡）。没有按月套餐，按用量计费。录音转写每小时$0.15（Universal-2）或$0.21（Universal-3.5… | 无 | 2026-10 |
| ElevenLabs | 免费增值 · 免费版：每月 10,000 个额度与 3 个 Studio 项目，但不含商用授权（需付费方案）。按月标价为 Starter $6（3 万额度）、Creator $22（12.1… | 有 | 2026-10 |
| Maum AI | 付费 · 没有永久免费版——注册后 maum.ai 平台可免费使用一个月，并提供一次性的 Orchestra 免费额度（TTS 1万字、STT 1万字、GPT 2万字、STF… | 无 | 2026-10 |
| Murf AI | 免费增值 · Studio 免费版：10 个项目、10 分钟语音生成、1 位编辑者，但不可下载且无商用授权。Creator 按月 $29，年付折合每月 $19（年 $228，含 24… | 有 | 2026-10 |
| Speechify | 免费增值 · 免费版仅支持文字转语音，10种机械音色，播放速度最高1.5倍。Premium 按月付费为每月$29（页面注明“所示价格为按月付费”），包含1,000多种自然音色、60多种语言、最高… | 有 | 2026-10 |
| Suno | 免费增值 · 免费版 $0，每天 50 积分（约 10 首），但没有商用权利。Pro 为每月 $8，含每月 2,500 积分与商用使用权；Premier 为每月 $24，含每月 10,000… | 有 | 2026-10 |
替代工具
音频的其他工具
AssemblyAI
音频AssemblyAI 是一款面向开发者的 AI 语音转文字 API，提供业界顶级的转录精度、实时处理能力以及强大的音频智能功能，适用于任何应用场景。
ElevenLabs
音频ElevenLabs 是领先的 AI 语音合成平台，提供超逼真的文字转语音、声音克隆和 32 种以上语言的实时语音转换功能。
Maum AI
音频Maum AI（前身为MINDs Lab）是韩国领先的AI企业，提供企业级语音合成、语音识别、视觉AI和NLP解决方案，以高质量韩语语音合成技术著称。
Murf AI
音频AI 语音生成器，提供 20 余种语言的 120 余款录音棚级音色，用于制作专业视频、e-learning 和演示配音
Speechify
音频Speechify 是一款 AI 文字转语音平台，能将任意文本、PDF、文档或网页转换为 200 多种声音、60 多种语言的自然音频，帮助学生、职场人士和有阅读障碍的人更高效地获取内容。
Suno
音频Suno 是一款 AI 音乐生成平台，使用先进的 v4 模型，通过简单的文字描述即可创作出包含人声、乐器和歌词的完整歌曲。
标签
相关指南
AI会议录音转知识库流程2026：中文团队用 Whisper、AssemblyAI、Otter 和 NotebookLM 做纪要复用
最后更新：2026年7月15日。 许多中文团队已经录下了大量会议：产品评审、客户访谈、销售复盘、项目周会、培训课、直播复盘、售后沟通。问题不在于有没有录音，而在于录音之后发生了什么。大多数录音被放进网盘，少数人听过一次，会议纪要散落在不同文档里。一个月后，当团队想知道“客户到底为什么不续费”“哪个需求被反复提到”“新人培训哪里听不懂”时，还是要从头翻找。…
AI短剧配音工作流2026：用ElevenLabs、Typecast、Murf AI、Descript和Whisper做多角色声音
更新时间：2026年8月2日 · 分类集群：AI音频工具 AI短剧配音最难的部分，不是让一个声音“像真人”，而是让十集内容里的每个角色一直像同一个人。 第一集里语速沉稳的店长，到了第三集突然变得活泼；第六集修改一句台词后，音量、气口和背景底噪都变了；同一句“你别走”，系统把反问、命令和挽留读成完全不同的意思。单条样片可能很好听，连续发布时却处处露出拼接痕迹。…
AI语音智能体工具推荐2026：用Dify、Coze、AssemblyAI、Whisper和ElevenLabs搭建中文电话客服
最后更新：2026年7月24日 · AI音频工具 AI语音智能体最容易展示的是“能接电话”，最难交付的却是“能把事情办对”。 演示里，机器人会自然地问候、识别来意、回答问题。真实上线后，用户会打断、改口、夹杂方言，把订单号读错一位，在嘈杂的街上询问退款，还会问知识库没有写过的问题。如果系统为了流畅而猜答案，一通听起来很专业的电话就可能变成错承诺、错退款、错地址或隐私泄露。…
AI音频再利用流程2026：播客、直播回放和课程内容如何用 Whisper、AssemblyAI、Descript、Suno 变成多平台素材
中文内容团队越来越重视音频，但很多团队只把它当成一次性素材。一次播客录完，发到小宇宙或视频号就结束；一场直播回放上传后，很少有人再看；一节课程讲完，文字稿、短视频、公众号文章和销售素材都要重新做。真正的问题不是没有内容，而是没有把音频变成多平台资产的流程。…