许多年以后。
坐在电脑前看视频的奶酪，一定会想起年轻时自己手敲字幕敲到手抽筋的那个下午。
如何将 200G 的视频，压缩为 20M 的文字？
如何提取视频里说话人的台词？
如何将视频会议转录为文字？
如何一键语音转文字？
项目说明
在上一篇文章《A24 - 语音识别》中。
奶酪介绍了软件两款语音识别软件：WhisperDesktop 和 WAC。
它们都很好用，为什么又要开一个新的项目？
1.1、命令行软件
电脑里的大多数软件都是“图形化软件”，比如 Word、Excel、Photoshop，它们的一大特点是「所见即所得」。软件里的所有内容，都放在我们眼前，只需要用鼠标点几下，就能完成任务，上手非常容易。还有一种软件，叫“命令行软件”，它们的特点是「所想即所得」。它可以将我们大脑里想的内容「逻辑文本化」。
通过不同命令的组合，就可以实现任务的批处理，还有自动化。可一旦你掌握以后，你在这上面花费的时间，将无限趋近于零。
1.2、安装 FFmpeg
但是会用到 FFmpeg，Whisper 需要用它来提取声音数据，不过不用担心，使用时不需要打开，它会自动调用。Windows：https://www.gyan.dev/ffmpeg/builds/ffmpeg-release-essentials.zip
Mac：https://evermeet.cx/ffmpeg/ffmpeg-6.0.zip
1.3、添加环境变量
下载完 FFmpeg 后，我们需要“添加环境变量。其目的，是为了在 CMD 窗口操作时，可以省去输入软件的具体路径，几乎所有的命令行工具都可以这样配置。我们可以将所有的命令行工具，都放在同一个文件夹下。只需要设置一次环境变量，那么以后所有的软件，比如 FFMpeg，只要放在这个文件夹里，那么就会自动生效。比如奶酪就将所有命令行软件放在了 D:\Commandline 里。最后，在 CMD 窗口或终端输入软件名，比如 ffmpeg，如果有返回内容，而不是 not found，则说明配置成功。但更快更便捷的方法，是直接把所有命令行软件放在 /usr/local/bin 文件夹下，然后就会自动生效。
Windows 一键识别
当然，上面的这些内容还只是“前置安装”，真正的“爽点”，是接下来“一键识别”的操作实现。
2.1、WhisperCli
2022 年 9 月，OpenAI 发布 Whipser 多语言语音识别模型，超过 68 万小时的语音数据训练，支持 99 种语言。但 Whisper 原版的 Python 项目速度缓慢。于是，有一位叫 ggerganov 的网友用 C/C++ 语言重新编译了 Whisper，并成立了 whisper.cpp 项目。它不依赖其它的库，直接就能在所有平台上运行，相比原版 Whisper 速度快了 4-45 倍。支持 N卡/A 卡，支持核显，ARM 芯片也支持。地址：
https://github.com/ggerganov/whisper.cppGitHub 上又一位叫 Const-me 的网友，在 Whisper.cpp 的基础上进行了整合，使用难度大大减低。WhisperDesktop 正是出自他的手比，而且他还发布了命令行的版本。地址：
https://github.com/Const-me/Whisper
2.2、软件安装
作者提供的是命令行软件还是“毛坯房”，于是奶酪在他的基础上又进行了配置，现在你可以“拎包入住”。奶酪前后花了五天时间，终于实现了目前最快的 Whipser 语音识别方法，没有之一。从此，你的电脑就拥有了“语音一键识别”功能。
应该说，已经到了“有手就会用”的程度。考虑到转录速度和准确性，奶酪的配置包分成了三个版本。标准 版本：
首推版本，在速度和准确度上最均衡，大小 1.3G。Small 版本：
给性能不那么好的老电脑和笔记本电脑用的，大小 420M。Large 版本：
更加准确，但花费的时间大概是标准版本的两倍，大小 2.6G。我用的是 AMD 核显，一个 2:30 秒的文件，Large 模型用了 1:20 秒，Meidum 40 秒，Small 用了 11 秒。如果你有 4060 以上显卡的话，估计也就几秒钟的事。
2.3、使用方法
经过连续的版本更新，现在"奶酪 Whisper 配置包"的使用方法，已经超级简单了。然后，点击“开始.bat”，语音识别的“中文、英文、日文”快捷操作，就会自动添加到右键的“发送到”菜单里。最后，选择任意文件或者文件夹，即可进行一键或批量转录。如果需要添加其它语言，可以打开“batch”文件夹，一键添加所有语言，同时还可以对“发送到”菜单进行编辑。选择任意文件，右键菜单选择“发送到”，即可进行一键转录，生成的文件，就与原文件保存在同一个目录下。选择任意文件夹，右键选择“发送到”，即可进行批量转录。不用担心文件夹下有其它格式的文件，奶酪设置了自动过滤，命令只会对音频和视频有效。
3.4、软件兼容性
支持 Win 7 系统，但模型渲染需要 F16C 指令集，因此不支持 2012 年以前生产的 CPU。已知 .flv 视频会报错不支持，.aac 音频也会报错，用任意转换软件，比如 FFmpeg，转换为 .mp3 格式即可。如果文件名里带有 ' 和 [ ]，比如 Tom's.mp4 ，会导致命令行无法运行，等后续版本更新解决。是编码的问题，不影响实际转的结果，目前只能正常显示英语，等后续版本更新解决。Mac 一键识别
Mac 平台能不能也实现 Windows 那样的一键识别呢？能！而且，思路也大致相同。
3.1、WAC
Mac 平台下也有一款基于 Whisper.cpp 开发的应用，叫 Whisper Auto Captions。支持 Intel 芯片和 ARM 芯片，它可以解决 Mac 平台下 Whisper 无法调用 GPU 的问题，转录速度大为提升。同时，它还是目前唯一一款完全免费的 Whisper.cpp 应用。地址：
https://whisperautocaptions.com
3.2、软件安装
不过，原版 Whisper Auto Captions 是一款图形化应用，但好在它基于 Whisper.cpp 开发。所以，我们还是可以用它内置的“命令行程序”来实现一键操作。首先，下载 Whisper Auto Captions。解压后，一定要将 Whisper Auto Captions 放到“应用程序”文件夹里。
这很重要，因为关系到我们后的续操作。
3.3、使用方法
Mac 平台下，同样也有类似 Windows 右键菜单的“发送到”功能，叫做“自动操作”。具体实现方法。
是打开“自动操作”，新建一个“快捷操作”，输入以下代码。
for f in "$@"do/Applications/Whisper\ Auto\ Captions.app/Contents/Resources/main -f "$f" -m /Applications/Whisper\ Auto\ Captions.app/Contents/Resources/ggml-medium.bin -l auto -otxt -osrt --prompt 简体中文done在公众号后台回复关键字 A25。
奶酪已经把脚本准备好了，只需要双击安装，脚本就会自动存放在 ~/Library/Services 下。之后，选择任意文件，右键选择“快速操作”，选择“使用 Whisper 转录” 即可一键转录。要设置“快速操作”菜单的显示内容。
你可以在“设置—>隐私与安全性—>扩展—>访达”里修改。
3.4、软件兼容性
由于 whisper.cpp 的原因，Mac 系统下所以的音频和视频文件，需要先转为 f16 的 WAV 文件，否则会无法识别。在公众号后台回复 A25，奶酪也已经为你准备好了一键转换文件，你只需要双击即可导入。
语音识别总结
说了这么多，你可能会说"有必要搞这么复杂吗，我用飞书转录，它不香吗"？
4.1、免费且快速
飞书从原来的免费 100G 变成了现在的免费 2G，就足以证明，其它的在线语音识别应用也是如此。而 Whisper 开源免费，离线可用，不需要上传网络，没有隐私的顾虑。其次，使用奶酪的配置包，现在的 Whisper 语音转文字功能，已经变得十分简单。
说是“有手就会”也毫无夸张。4.1、Windows 总结
1、安装 FFmpeg，并添加环境变量。（如已安装，则可略过）2、下载奶酪配置包 WhisperCli，并解压。4、选择任意文件或文件夹，到右键菜单里的“发送到”，进行一键转录。4.3、Mac 总结
2、下载 Whisper Auto Captions，并放入“应用程序”文件夹里。前后花了五天时间，期间更新了多个版本，要说原理，其实也不难，难是难在它的可行性验证。但随着大家电脑性能越来越好，相信奶酪的配置包一定会成为了你装机必备。
而且，奶酪的配置包也一定会火。
回复关键字
A
查看本系列的所有文章，
回复关键字
A25
获取本文提到的所有资源1、点在看，可以帮助更多的人看到这篇文章。
2、写留言，有问题写评论，我会尽可能回复。