Whisper：一个模型把多语言语音识别管线收进一张 token 序列

一句话判断

Whisper 真正改变的不是"把语音转成文字"这件事本身——语音识别模型一直存在。它把传统识别管线里分属不同环节的活——检测有没有人说话、识别是哪一种语言、把语音转成文字、再把外语翻成英语——全部收进同一个序列到序列（sequence-to-sequence）模型，用一组特殊 token 把它们当成同一类解码问题处理。一段音频进去，decoder 输出哪一类结果，取决于它先吐出的那一个任务 token。

项目坐标

数据来自 GitHub API（2026-09-13 验证）：

官方仓库仍在维护（2026 年 8 月还有推送），但最后一个正式版本停在 v20250625，功能增量有限；生态上的活跃更多发生在第三方实现（faster-whisper、whisper.cpp 等）一侧。

系统总览

一段音频在 Whisper 里大致走这条链路：

核心在最后一步：decoder 不是一次性吐出文本，而是先输出 <|startoftranscript|>、<|zh|>、<|transcribe|> 这类特殊 token，用它们决定接下来按什么任务、什么语言、要不要时间戳来生成。

它把什么拆平了：传统管线和单模型的分界

传统语音识别是一条多阶段链路：先做语音活动检测（voice activity detection，VAD）判断哪里有人声，再靠音素识别、发音词典、语言模型把声学特征拼成词，最后用单独的翻译模型处理跨语言。每一段都要单独训练、单独调参，误差会沿着链路累积。

Whisper 把这套东西拆掉，换成两步：把音频切成 30 秒的窗口，转成 log-Mel 频谱喂进 Transformer encoder，再由 decoder 按任务 token 直接生成结果。识别、翻译、语言分类共享同一组参数，模型在 68 万小时弱监督音频上训练，用数据量抵消掉对显式词典和发音规则的依赖。代价是推理成本高——每 30 秒窗口都要完整跑一遍解码，而不是复用上一帧的中间结果。

核心机制

1. 多任务用一组特殊 token 表示

Whisper 不用不同的模型头去分任务，而是把任务本身编码进 token 序列。decoder 生成序列的开头固定是：

<|startoftranscript|> <|语言|> <|任务|> <|要不要时间戳|> 正文...

<|语言|> 决定按哪种语言解码，<|任务|> 在 <|transcribe|>（转写）和 <|translate|>（翻成英语）之间选，时间戳 token 决定是否输出逐段起止时间。这套约定让"换任务"变成"换一个 token"，模型结构因此可以保持单一。

2. 30 秒滑动窗口 + 自回归解码

transcribe() 内部把整段音频按 30 秒窗口滑动处理，每个窗口独立做一次自回归 seq2seq 解码。窗口之间靠 condition_on_previous_text 决定是否沿用前一个窗口的文本作为上下文，让长音频的转写更连贯；代价是：如果前文有一处错，可能顺着带偏后面，所以官方把它做成可开关的选项。

3. 六档模型

README 的模型表共 6 档，其中 4 档带 .en 英文专用版：

相对速度以 large 为基准，是 README 在 A100 上转录英文语音的实测口径，实际受语言、语速和硬件影响很大。.en 系列只做英文，在 tiny.en、base.en 上比多语言版效果更好，到 small.en、medium.en 差距就明显缩小。

4. turbo：剪出来的第六档，也是 CLI 默认模型

2024 年 9 月发布的 large-v3-turbo（简称 turbo）不是重新训练的模型，而是把 large-v3 的解码器从 32 层剪到 4 层、编码器不动，再用同一批转录数据微调出来的版本，参数从 1550 M 降到约 809 M。配合 F.scaled_dot_product_attention，在 A100 上转录速度约为 large 的 8 倍，显存需求降到约 6 GB。代价写在明处：微调时排除了翻译数据，官方发布帖明确不期待它做好翻译——CLI 里即便指定 --task translate，它也倾向返回原语言，README 让翻译场景改用 medium 或 large；同一帖还承认它在泰语、粤语等少数语言上的错误率比 large 明显上升。

turbo 从 20240930 版本起进了 openai-whisper 的 load_model 支持列表，whisper.load_model("turbo") 可以直接加载，不必绕道 faster-whisper 或 transformers。CLI 的默认模型也从这一版开始从 small 换成 turbo——不带 --model 直接跑 whisper audio.wav，用的就是它。

一次转写流过系统

拿一段中文播客音频举例。whisper.load_model("medium") 后调用 model.transcribe("podcast.mp3", language="zh")：

1. load_audio 用 ffmpeg 转成 16kHz 单声道 float32。
2. 音频按 30 秒窗口切分，每段补零对齐。
3. 每段转成 80 个频带的 log-Mel 频谱，进 encoder。
4. decoder 先输出 <|startoftranscript|> <|zh|> <|transcribe|>，再逐 token 生成中文文本。
5. 结果按窗口合并，result["text"] 是全文，result["segments"] 是带起止时间戳和置信度的分段。

如果要的是英文翻译，把任务 token 换成 <|translate|>（即 --task translate），decoder 输出就从中文文字变成英文译文。

这些准确率数字怎么读

Whisper 论文在 Common Voice、Fleurs、LibriSpeech 等基准上报告了 WER（词错误率）和 CER（字错误率）。怎么读这些数字：

• 测的是什么：在标准公开数据集上，把模型输出和人工转写逐词比对算出的错误比例。它衡量的是"这段音频转得准不准"。
• 数字反映系统的哪部分：主要反映 encoder 对声学特征的提取质量和 decoder 对语言规律的把握。语言之间的差异往往大于模型规模之间的差异——英文这类高资源语言错误率低很多，低资源语言会明显偏高。
• 不能推出什么：不能推出在具体生产音频上的表现——噪声、口音、专业术语、领域方言都会让 WER 上涨；也不能推出推理延迟或某块特定硬件上的速度，那些要看实现和硬件。

怎么用起来

安装依赖 ffmpeg，然后任选 pip 包或源码安装：

pip install -U openai-whisper   # 或 pip install git+https://github.com/openai/whisper.git

命令行最简用法（不带 --model 时默认 turbo，这是 20240930 版本起的默认值）：

whisper audio.wav --model medium                # 转写
whisper japanese.wav --language Japanese        # 指定非英语语言
whisper japanese.wav --language Japanese --task translate  # 翻成英语
whisper audio.wav --model medium --output_format srt  # 出字幕

Python 里先加载模型再转写：

import whisper

model = whisper.load_model("base")
result = model.transcribe("audio.mp3")
print(result["text"])

只有 30 秒以内的音频，或想直接拿语言和文本，可以用底层的 decode：

import whisper

model = whisper.load_model("base")
audio = whisper.load_audio("audio.mp3")
audio = whisper.pad_or_trim(audio)
mel = whisper.log_mel_spectrogram(audio).to(model.device)

_, probs = model.detect_language(mel)
print(f"语言: {max(probs, key=probs.get)}")

options = whisper.DecodingOptions()
result = whisper.decode(model, mel, options)
print(result.text)

decode 不做窗口滑动，只处理传入的 30 秒以内的音频，适合需要精细控制解码参数的场景。

生态与选型

Whisper 的模型权重被多个实现复用，选哪个取决于落地约束：

微调一般走 transformers：加载 openai/whisper-small，配一个标好语言和文本的音频数据集（重采样到 16kHz），用 --language zh --num_train_epochs 3 这类参数训练。数据量没有硬性门槛，但目标语言或领域的样本越多、越干净，效果越好。

什么时候值得用

• 先上：需要多语言识别或离线转写，先用默认的 turbo——速度约为 large 的 8 倍，精度只轻微下降，显存只要约 6 GB，多数场景的最省心起点。跨语言翻译要用 large-v3 或 medium；对单语言精度要求极致再上 large。
• 可以等：对词的精细时间戳强要求时，先评估 WhisperX；纯英文、CPU 受限、要极致吞吐时，直接看 faster-whisper 或 whisper.cpp，别从官方实现起步。
• 别指望：拿某个基准的 WER 直接当生产预期，也别忘了官方实现推理偏重，长音频和实时场景要单独做性能测试。

常见问题

whisper.load_model("turbo") 报 Model not found？ 大概率是装的 openai-whisper 早于 20240930，那时 turbo 还没进支持列表。升级到最新版即可；whisper.available_models() 能列出当前包支持的全部模型名。

转写出现重复内容，或静音段也出了文字？ seq2seq 模型对低置信度片段容易复读或产生幻觉。官方对策是温度回退：首轮用温度 0 的贪心解码，失败后按 0.2、0.4……逐级升温重试，并用 no_speech_threshold 判定"这段没人说话"。hallucination_silence_threshold 可进一步滤掉静音段附近的幻觉输出。

长音频中途某段明显跑偏？ 检查 condition_on_previous_text 是否开着。它沿用前一个窗口的文本作上下文，能提升连贯性，但一处错可能顺着带偏后面；CLI 用 --condition_on_previous_text False 可以关掉。

转写慢、显存紧？ 纯英文场景优先选 tiny.en/base.en，同规格下英文错误率更低；还嫌慢，直接换 faster-whisper 或 whisper.cpp，别在官方实现上死磕参数。

结尾

Whisper 的开源价值，是证明了一条更省时的路径：模型不依赖显式的词典、发音规则和分阶段管线，靠足够大的弱监督数据，就把识别、翻译、语言分类并进同一个 seq2seq 模型。它今天的实用形态也不局限于这个仓库——权重散落在 faster-whisper、whisper.cpp、transformers 这些实现里，选型时先分清"模型的条目"和"跑模型的实现"是两回事。

官方资源

• GitHub：https://github.com/openai/whisper
• 论文：https://arxiv.org/abs/2212.04356
• Model Card：https://github.com/openai/whisper/blob/main/model-card.md
• turbo 发布讨论帖：https://github.com/openai/whisper/discussions/2363
• Colab 示例：https://colab.research.google.com/github/openai/whisper/blob/master/notebooks/LibriSpeech.ipynb