Whisper 是由 OpenAI 开发的一个开源的通用语音识别模型，通过大规模弱监督学习训练而成。该模型不仅支持多语言语音识别，还能进行语音翻译和语言识别，是一款多功能的语音处理工具。Whisper 的主要特点包括多语言支持、多任务模型、高性能和易于使用。它适用于会议记录、语音翻译、内容创作和语音助手等多种场景。用户可以通过命令行工具或 Python 接口轻松使用 Whisper 进行语音转文字的操作。安装步骤包括安装 Python、ffmpeg 和 Whisper 本身。Whisper 采用端到端的编码器-解码器 Transformer 架构，输入音频被分割并转换为 log-Mel 频谱图后送入编码器，解码器预测文本字幕。