Whisper是OpenAI开源语音识别模型的功能、用法、价格与同类对比

Whisper是OpenAI在2022年9月开源的自动语音识别（ASR）系统，用68万小时网络音频训练，能把约99种语言的语音转成文字，还能把非英语语音直接翻译成英语。它最特别的地方不是精度多高，而是模型权重和代码全部公开，你可以免费下载到本地跑，不欠任何人调用费。

说句实话，到2026年再看Whisper，它的身份已经变了。它不再是“最强方案”，更像是这一行的公共基线：生态成熟、许可宽松、语言覆盖广，但原生偏批处理，做实时和说话人分离得自己补功课。

Whisper是什么：先把它和同名产品分清

搜“Whisper”会撞出至少四个东西，混着看很容易得出错误结论，这里先做个切分。

1. OpenAI Whisper（本文主角）

一个开源模型与推理代码库，架构是端到端的编码器-解码器Transformer。音频被切成30秒块、转成log-Mel频谱图后送入编码器，解码器输出文本，并靠特殊标记切换语言识别、转录、翻译等任务。

2. 基于Whisper的第三方App

比如MacWhisper、WhisperDesktop、Superwhisper，它们把开源模型打包成带图形界面的桌面应用。这类产品有自己的订阅或买断价，和OpenAI没有定价关系，别把它们的会员费当成“Whisper官方收费”。

3. 名字相近的Wispr Flow

一个AI听写与会议记录产品，拼写接近但完全不是同一个东西。它提供Basic免费版与Pro订阅（月付15美元、年付折合12美元/月），数据需自行到官网复核。

4. 老牌的匿名社交App Whisper

2012年创立的“耳语”，与语音识别毫无关系，中文版早已下架。如果你查的是它，本文帮不上忙。

Whisper主要功能

一个模型同时干四件事：多语言转录、语音翻译成英语、语言识别、语音活动检测，这是它和传统“声学模型+语言模型”流水线最大的差别。

多语言转录与翻译

官方口径是支持约99种语言的转录，并把这些语言翻译成英语。中文普通话表现不错，但方言是它的明显短板，粤语等只能算“勉强可用”，方言场景我更推荐国产ASR。

模型规格可选，从手机到服务器

官方提供tiny、base、small、medium、large、turbo等规格。tiny约3900万参数、约1GB显存、相对速度约10倍；large约15.5亿参数、约10GB显存；turbo约8.09亿参数、约6GB显存、速度约8倍。

注意一个坑：turbo是大模型的速度优化版，但不支持翻译任务。要翻译就老老实实用large系列。

large-v3与时间戳

large-v3约15.4亿参数，把Mel频带从80维提到128维，新增粤语语言标记，官方称错误率比v2下降10%到20%。上述参数与提升幅度建议以Hugging Face模型卡与论文为准复核。

它能输出段落级与词级时间戳，做字幕对齐很实用。但在OpenAI的API侧，词级时间戳只有legacy Whisper模型支持，GPT-4o系列转录模型不支持细粒度时间戳。

如何使用Whisper：三条路径，按技术能力选

会写代码就本地部署，只想用不折腾就装第三方App，要做产品就调API，这是我给大多数人的分流建议。

路径一：本地跑开源模型（免费）

第一步安装：pip install -U openai-whisper；第二步装FFmpeg（macOS用brew install ffmpeg，Ubuntu用sudo apt install ffmpeg），缺了它读不了音频。

命令行一行就能出结果：whisper demo.mp3 --model base --task transcribe；Python里用whisper.load_model("base")再调用transcribe()即可。

模型权重首次运行会自动下载，也可以从Hugging Face手动取权重放进缓存目录。

路径二：换更快的推理实现（强烈推荐）

原版PyTorch实现偏慢、吃显存。日常批量转写我建议直接用faster-whisper，它用CTranslate2重写推理，同精度下快2到4倍，支持INT8量化，还内置VAD自动跳过静音。

官方README的基准里，同一条13分钟音频在GPU上从2分23秒降到1分03秒，开int8后59秒，显存从4708MB压到2926MB。这组数字来自项目自测，请在你自己的硬件上复测。

另一个选择是whisper.cpp，用C++与GGML量化把模型压得很小，适合边缘设备和低配机器。

路径三：调用OpenAI API

用client.audio.transcriptions.create(model="whisper-1", file=audio_file)这类接口即可，不用管服务器和显卡。

两个容易踩的点：上传文件有25MB上限；静音段也计入计费时长。

想做实时流式？先补工程

原始Whisper并不原生支持流式，官方PyTorch版基本是离线识别。要做实时，得自己加VAD、切片、重叠窗口、端点检测和幻觉抑制，这套活不轻。这部分工作量常被低估，估期时请留足余量。

Whisper应用场景

凡是“音频要变文字、且数据不能出境”的场景，Whisper几乎都是性价比最高的起点。

视频与播客自动字幕是最大宗用法，配合yt-dlp取音视频、faster-whisper出SRT，一条流水线就能跑通。

会议与访谈记录、课程录音整理、客服质检、医疗口述病历，也都属于常见落地。

跨语言内容消费是它被低估的用法：外语发布会直接转成英文稿，省去先转写再翻译的两步。

无障碍实时字幕、语音驱动数字人、口语评测等方向也常拿它当基座。不过涉及法律、医疗诊断等高风险决策时我不建议直接采信原始输出，模型存在“幻听”风险。

Whisper同类对比

要隐私、要零调用费、要可改造，选Whisper；要开箱即用的说话人分离、流式低延迟和托管运维，选商业API。

表中价格为第三方汇总口径，签约前请到各厂商官方定价页复核。

关于竞品发布的跑分，请打折看

AssemblyAI与Deepgram的对比页都给出过对Whisper不利的WER数据，例如CommonVoice英文WER 8.52%对4.13%。这些数据由竞品方测得，测试集与解码参数不透明，我认为只能当参考，不能当判决。

反过来，Whisper在噪声与长音频上确实容易“幻听”，自托管时幻觉率偏高，这一点多家反馈一致。

中文与方言场景的现实判断

中文标准普通话Whisper可用，但方言覆盖几乎不能指望；讯飞宣称支持23种方言，Fun-ASR一类国产模型在方言与中英混说上更占优。做国内业务的话，别硬扛。

Whisper会员价格：它其实没有“会员”

Whisper本身没有会员制、没有订阅套餐。开源模型免费下载商用，OpenAI提供的是按量计费的API，不是会员。

三种真实付费路径

本地自托管：模型费用为0，成本是GPU或云端算力与你的时间。

官方API：whisper-1与gpt-4o-transcribe约0.006美元/分钟（约0.36美元/小时），gpt-4o-mini-transcribe约0.003美元/分钟，实时流式的GPT-Realtime-Whisper约0.017美元/分钟，按秒计费，新账户有约5美元赠金。

第三方App与托管平台：MacWhisper提供免费版，Pro为一次性买断（页面标价约64欧元并含终身更新）；Replicate等托管平台按调用量收费。MacWhisper促销页出现过49欧元的档位，价格会变动，下单前看官方页面。

算笔账再决定

每月100小时音频走API大约36美元，看着不多，但说话人分离、标点恢复、幻觉清洗这些往往要额外加工，实际单位成本可能明显上升。量大到某个阈值后，自托管加运维通常更划算，这个阈值取决于你的音频量与工程能力，没有统一答案。

Whisper优点和缺点

优点

免费开源、可本地部署、语言覆盖广、对口音与噪声鲁棒、生态工具链成熟，这五条是它至今被大量使用的核心理由。

数据不出本机，对隐私与合规敏感的团队是硬需求级别的加分。围绕faster-whisper、whisper.cpp、whisperX已经形成完整的加速、量化与字幕工具链。

缺点

原生不擅长流式实时；没有内建说话人分离；方言支持弱；长音频与静音段容易幻听；大模型对显存要求高。

另外，开箱即用≠免维护。自托管意味着你要自己扛GPU、队列、升级与效果回归，这笔隐性成本常被忽略。

Whisper官方网站地址

官方研究与发布页是https://openai.com/index/whisper/，代码与模型仓库是https://github.com/openai/whisper。

模型权重也可在Hugging Face的openai/whisper模型页获取；API文档在OpenAI平台的speech-to-text指南下。

网上流传的“Whisper官网在线版”多为第三方套壳站点，部分会诱导付费或收集上传音频，下载与使用时请认准上述域名。

常见问题（FAQ）

Whisper是免费的吗？

开源模型本身免费，许可允许个人与商业用途，本地部署不产生调用费。收费的是OpenAI的托管API和第三方封装产品。

Whisper有会员或订阅吗？

没有。OpenAI对转录能力按音频时长计费，不是订阅制。看到“Whisper会员”字样时，先确认它属于哪个第三方App。

Whisper支持中文吗？

支持普通话转录，效果可用；方言能力有限，粤语等仅勉强支持。

Whisper能实时识别吗？

原版偏离线，实时需要额外工程（VAD、分段、端点检测）或改用流式方案与商业API。

faster-whisper和Whisper什么关系？

faster-whisper是第三方用CTranslate2重写的推理版本，模型权重仍来自Whisper，速度更快、显存更省、API接近原版。

Whisper会出错吗？能直接用于正式稿吗？

会。幻听、专有名词错写、标点与分段不理想都常见，正式稿建议保留人工校对环节。