Whisper

Whisper 是 OpenAI 在 2022 年开源的多语言语音识别模型，凭借在 68 万小时多语言数据上的训练，至今仍是开源 ASR 的强基线。它的鲁棒性优于多数同期模型，对口音、噪声和混响有较好容忍度。

核心能力包括多语言语音转文字、语种识别、口语翻译（X→英文）、时间戳对齐，以及 tiny/base/small/medium/large 多档模型规模。社区衍生出 faster-whisper（CTranslate2 加速）、whisper.cpp（C++ 推理）、whisperX（词级时间戳与说话人分离）等生态。

亮点是模型质量与多语言覆盖在开源圈仍然能打，生态衍生项目丰富；不足是官方仓库更新缓慢（已两年未发版），长音频需自行分段避免幻觉，标点与时间戳在快速模型上不够稳定。

适用场景：视频字幕生成、会议与播客转写、低成本多语言 ASR 服务。需要词级精度或说话人分离时建议直接用 whisperX。