簡單測試使用 WhisperDesktop 將語音轉成文字

WARNING

這篇是之前的測試紀錄，雖然 WhisperDesktop 還是能用，但開發者已許久未更新。 目前我已改用 Subtitle Edit 整合 Faster-Whisper，維護相對活躍且速度更快。 建議直接參考新文章：使用 Subtitle Edit 整合 Faster-Whisper 進行本地語音轉文字。

前段時間在看 ChatRTX 時，我看到 Whisper 這個名詞。經查詢後發現，OpenAI Whisper 是 OpenAI 於 2022 年 9 月發佈的語音轉錄和翻譯 AI 模型。如果想了解更多資訊可以參考 What is OpenAI Whisper? 這篇文章。

對於像我這樣的 AI 新手來說，要自己建立環境來運行這個模型有點困難。不過，有人開發出可以直接使用的離線版工具 WhisperDesktop。

下載與安裝

1. 從 GitHub 儲存庫首頁右側邊欄的 "Releases" 區域點擊最新版本，目前版本是 Version 1.12。

   

2. 在 Release 頁面的 "Assets" 區域下方，點擊紅框標示的 WhisperDesktop.zip 進行下載。

   

3. 解壓縮後，會看到以下三個檔案：

   • WhisperDesktop.exe：實際執行檔案。
   • Whisper.dll：函式庫檔案。
   • lz4.txt：授權聲明。

下載模型

接著，需要從以下網站下載模型： Huggingface Whisper。

模型大小與規格

模型有不同大小可供選擇，帶有 .en 後綴的是英文專用版本，除此之外還有其他延伸模型。WhisperDesktop 作者推薦使用 ggml-medium.bin，因為這是他主要用來測試軟體的模型。

大小	參數數量	英文專用模型	多語言模型	需求 VRAM	相對速度
tiny	39 M	tiny.en	tiny	~1 GB	~32x
base	74 M	base.en	base	~1 GB	~16x
small	244 M	small.en	small	~2 GB	~6x
medium	769 M	medium.en	medium	~5 GB	~2x
large	1550 M	N/A	large	~10 GB	1x

使用方法

1. 執行 WhisperDesktop.exe。

2. 在 Model Path 欄位指定已下載的模型位置。

3. Model Implementation 選擇 GPU（其他選項我不知道用途，這邊就不說明了）。

   • 如果沒有正確偵測到顯示卡，可以點擊 advanced... 進行細節設定。

   

4. 點擊 ok。

5. Language 選擇影片主要語言（中文只有 Chinese 選項，程式會自動判斷繁簡體，不過我也不知道他的判斷依據）。

6. 若要翻譯成英文，請勾選 Translate，不過我測試音樂常翻失敗。

7. Transcribe File 選擇要轉成文字的音樂或影片檔案。

8. Output Format 可以選擇以下格式：

   • None：不輸出檔案。
   • Text file (.txt)：純文字檔案。
   • Text with timestamps：包含時間戳記的文字檔案。
   • SubRip subtitles (.srt)：常見的字幕格式，包含時間碼和文字。
   • WebVTT subtitles (.vtt)：網頁影片字幕格式。

9. 指定輸出的檔案位置及檔名。

   

10. 如果不想特別指定檔案輸出位置，可以勾選 Place that file to the input folder。

    • 這樣會將輸出檔案儲存在與輸入檔案相同的位置。
    • 檔名會是原檔案名稱加上輸出格式對應的副檔名。

「Audio Capture」功能可以直接讀取麥克風輸入的語音，但我的電腦無法偵測到藍牙耳機，因此這部分暫不說明。

效能測試

使用 PNY RTX 4070 Ti Super 16GB Blower 顯示卡進行測試，轉換一個 5 分 16 秒的 mp3 檔案：

• 使用 ggml-large-v3.bin 需要 22 分 01 秒，且不一定能成功轉換（實測時，檔案內容空白，可能需要使用其他版本的 large 模型才能正確轉出）。
• 使用 ggml-medium.bin 僅需 11 秒即可完成。

使用 i7-12700H 內顯（無獨立顯示卡）進行測試，同樣是轉換 5 分 16 秒的 mp3 檔案：

• 使用 ggml-tiny.bin 需要 41 秒。
• 使用 ggml-small.bin 需要 4 分 19 秒。
• 使用 ggml-medium.bin 需要 13 分 5 秒。

轉出來的文字正確率隨著模型大小增加而有明顯的提升。

結論

基於測試結果與速度考量，以下是我個人使用建議：

• 對於有獨立顯示卡的使用者：建議使用 ggml-medium.bin 模型。
• 對於使用內顯或早期顯示卡的使用者：
  • 日常使用：選擇 ggml-small.bin，這是可接受的最小模型，ggml-tiny.bin 模型的準確率太差了。
  • 重要內容轉錄：可以選擇 ggml-medium.bin 並接受較長的處理時間，以獲得更高的準確度。

異動歷程

• 2025-03-24 初版文件建立。
• 2026-01-31 新增推薦連結，引導至新版 Faster-Whisper 解決方案。