零依赖、高效率的语音转文字c++版 whisper.cpp (附批量处理脚本)

语音转录这个领域，OpenAI 的 Whisper 模型无疑是目前知名度最广、支持语言最多的选择。

围绕 Whisper，也涌现出了许多优秀的衍生项目，比如 faster-whisper，以及支持说话人分离的 whisperx。以及本文要介绍的whisper.cpp。

项目地址: github.com/ggml-org/wh...

为什么选择 whisper.cpp？

whisper.cpp 是 Whisper 模型的一个 C++ 实现版本，它的核心优势非常突出：

几乎无依赖 ：这是它最大的亮点。不同于其他需要通过 pip 安装一大堆 Python 库的项目，whisper.cpp 几乎没有依赖。你再也不用担心陷入恼人的环境配置、模块安装错误和版本冲突的"深坑"里了。
性能卓越：C++ 带来的原生性能优势，让它的转录速度非常快，资源占用也相对较低。
跨平台与硬件支持：无论是 Windows、macOS还是 Linux，它都能良好运行。更棒的是，它支持多种硬件加速，从主流的 NVIDIA (CUDA)、AMD (OpenCL) 显卡，到苹果的 Metal 框架，甚至是专用 NPU，都能利用起来进一步提速。
部署简单：可以直接下载官方编译好的可执行文件，解压即用，整个程序包非常小巧。

当然，它也有一个对新手来说不太友好的地方：纯命令行操作。

不过别担心，这篇文章就是为了解决这个问题而生的。本文将手把手带你完成从下载到使用的全过程，并提供一个专为 Windows 用户定制的批量处理脚本。你只需要复制粘贴，就能实现双击鼠标，一键转录文件夹内所有音视频文件。

第一步：准备工作

在开始转录之前，需要先准备好必要的程序和文件。

1. 下载 whisper.cpp 主程序

首先，需要根据自己的操作系统和硬件情况，下载对应的预编译版本。

下载地址 : github.com/ggml-org/wh...

如何选择？

Windows (无 NVIDIA 显卡) ：下载 whisper-bin-x64.zip。
Windows (有 NVIDIA 显卡) ：请根据你安装的 CUDA 版本选择。例如，安装了 CUDA 12.x，就下载 whisper-cublas-12.4.0-bin-x64.zip；安装了 CUDA 11.x，就下载 whisper-cublas-11.8.0-bin-x64.zip。利用 GPU 加速能极大提升转录速度。
macOS 用户 ：下载 whisper-v1.8.2-xcframework.zip。

2. 解压并整理文件结构

下载完成后，将压缩包解压。强烈建议解压到一个不包含中文和空格的简短路径下 ，例如 D:\whispercpp，这样可以避免很多不必要的麻烦。

解压后，进入文件夹，确保你能看到一个名为 whisper-cli.exe的文件(下文我们称这个文件夹为whisper.cpp根目录)。

为了方便管理，我们在这个文件夹内手动创建两个新的子文件夹：

models: 用于存放稍后下载的转录模型文件。
wavs: 用于存放所有需要转录的音频或视频文件。

3. 准备 FFmpeg (可选但强烈推荐)

whisper.cpp 本身只处理标准格式的 .wav 音频文件。如果你的文件是 mp3、m4a 等其他音频格式，甚至是 mp4、mkv 等视频格式，直接处理可能会报错或得到空白结果。

这时，我们就需要一个强大的工具来帮忙------FFmpeg。它可以轻松地将各种格式的文件转换成 whisper.cpp 需要的格式。

检查是否已安装 ：打开命令行窗口（cmd），输入 ffmpeg 并回车。如果显示一堆版本信息，说明已安装并配置好环境变量。如果提示"命令未找到"，则需要手动下载。

下载 FFmpeg :
- 懒人版 : 作者已提供单独的 ffmpeg.exe 文件，下载后直接放到 whisper-cli.exe 所在目录下即可。 github.com/jianchang51...
- 官方版 : 你也可以从 FFmpeg 官网下载最新版本，解压后，在 bin 文件夹里找到 ffmpeg.exe，同样复制到 whisper-cli.exe 所在目录下。 github.com/BtbN/FFmpeg...

4. 下载模型文件

模型越大，通常准确率越高，但需要的计算资源也越多，速度越慢。

模型下载地址 : huggingface.co/ggerganov/w...

推荐在以下几个模型中进行选择(tiny/base模型太小无意义,其他量化模型也没必要)：

模型名称	文件大小	推荐场景	下载链接
`ggml-small.bin`	~488 MB	电脑配置较低，对速度要求高，能接受少量错误。	点击下载
`ggml-medium.bin`	~1.5 GB	平衡之选。	点击下载
`ggml-large-v2.bin`	~3.0 GB	追求高准确率，电脑配置较好。	点击下载
`ggml-large-v3.bin`	~3.1 GB	最高准确率，目前效果最好的模型，推荐给追求极致效果的用户。	点击下载
`ggml-large-v3-turbo.bin`	~1.6 GB	large-v3 的优化版本，速度比v2/v3更快，准确率相差不大，适合大多数用户。	点击下载

选择一个你需要的模型下载，然后将下载好的 .bin 文件放入我们之前创建的 models 文件夹内。

第二步：开始转录

准备工作就绪，现在我们可以开始真正的转录了。

1. 手动执行一次，感受基本流程

为了理解 whisper.cpp 是如何工作的，我们先手动运行一次。

打开命令行窗口 ：进入 whisper-cli.exe 所在文件夹，在地址栏里输入 cmd，然后按回车键。这会直接在该目录下打开一个命令行窗口。

准备命令 ： whisper.cpp 的基本命令格式如下： whisper-cli [参数] -f [你的音频文件路径] -m [你的模型文件路径]

我们来构造一个具体的例子。假设：
- 要转录的文件60.wav在桌面，完整路径是 C:\Users\c1\Desktop\60.wav。
- 使用的模型是 ggml-small.bin。
- 我们希望自动检测语言，并输出 SRT 字幕文件。
那么，最终的命令就是： whisper-cli -np -f "C:\Users\c1\Desktop\60.wav" -l auto -m models/ggml-small.bin -osrt

命令参数解释：

参数	作用	说明
`whisper-cli`	主程序	这是我们执行转录的核心文件。
`-np`	No Progress	不显示实时进度条。在脚本中运行时，这能让输出更干净。
`-f "文件路径"`	File	指定要转录的输入文件。如果路径包含空格，请务必用双引号括起来。
`-l auto`	Language	指定语言。`auto` 表示自动检测。你也可以明确指定，如 `zh` (中文), `en` (英文)。
`-m models/...`	Model	指定使用的模型文件路径。
`-osrt`	Output SRT	表示输出 `.srt` 格式的字幕文件。

执行命令 ：在 cmd 窗口中粘贴上述命令，然后回车。

程序会开始运行。等待执行完毕后，你会在源文件所在的目录（这个例子中是桌面）看到一个新生成的 60.wav.srt 字幕文件。

whisper.cpp 其实还有非常多高级参数，可以进行更精细的控制。感兴趣的朋友可以去官方文档深入研究。对于日常使用，掌握以上几个就足够了。

更多命令参数：github.com/ggml-org/wh...

2. 使用 BAT 脚本，实现一键批量处理

手动输入命令不仅效率低下，还容易出错。为了解决这个问题，我为大家准备了一个 Windows 批处理（.bat）脚本，它可以自动完成以下工作：

遍历 wavs 文件夹下的所有文件。
使用 FFmpeg 将非 .wav 格式的音视频自动转换为临时 .wav 文件。
调用 whisper.cpp进行转录。
将生成的 .srt 字幕文件统一存放到 srt 文件夹中。
自动清理临时文件。

操作步骤：

创建脚本文件 ：在 whisper-cli.exe 所在目录下，右键新建一个文本文档，命名为 run.txt。

粘贴代码 ：双击打开 run.txt，将下面的所有代码复制并粘贴进去。

bash 复制代码

@echo off
set model_name=ggml-large-v3-turbo.bin

setlocal enabledelayedexpansion


cd /d "%~dp0"

if not exist "srt\" mkdir "srt"


set "audio_ext=.wav" 

if not exist "models/%model_name%" (
    echo.
    echo =================================================================
    echo [错误] 模型文件不存在: models/%model_name%
    echo.
    echo 请确认你已经下载了模型，并将其放置在 models 文件夹内。
    echo 如果模型文件名不同，请修改本脚本第二行的 "set model_name=..."
    echo.
    echo 模型下载地址: https://huggingface.co/ggerganov/whisper.cpp/tree/main  
    echo =================================================================
    echo.
    pause
    exit /b 1
)


echo ===============================================
echo  开始批量转录 "%~dp0wavs" 文件夹下的所有文件...
echo  结果将保存到 "%~dp0srt" 文件夹内。
echo  当前使用模型: %model_name%
echo ===============================================
echo.

:: 遍历 wavs 文件夹下的所有文件 (*.*)
FOR %%F IN (wavs\*.*) DO (
    set ext="%%~xF"
    set sttwav="%%F"
    set temp_wav=""
    echo.
    echo ----------------- 开始处理文件: "%%~nxF" -----------------

    rem 判断格式如果不是wav，则使用 ffmpeg转码
    echo !audio_ext! | findstr /i /c:"!ext!" >nul	
    
    if !errorlevel! neq 0 (
        set temp_wav="wavs\temp_%%~nxF.wav"
        
        echo [-] "%%F" 不是标准的WAV音频，正在使用 FFmpeg 进行转换...
        
        ffmpeg -y -i "%%F"  -ac 1 -ar 16000 -c:a pcm_s16le "!temp_wav!" >nul 2>&1
        
        if !errorlevel! equ 0 (
            echo [+] FFmpeg 转换成功!
             set sttwav="!temp_wav!"
        ) else (
             echo [X] 错误: 文件 "%%~nxF" 使用 FFmpeg 转换失败，已跳过。
             set sttwav=""
        )
        
    )
    
    if not !sttwav! == "" (
        
        echo [-] 正在调用 whisper.cpp 进行转录...

        set temp_log="temp_%%~nxF.log"
        whisper-cli.exe -np -f !sttwav! -l auto -m models/%model_name% -osrt -of "srt\%%~nF" > !temp_log! 2>&1
        findstr /i /c:"error:" !temp_log! >nul
        if !errorlevel! equ 0 (
            echo [X] 错误: 文件 "%%~nxF" 转录失败，请查看日志了解详情。				
        ) else (
            echo [OK] 成功: 文件 "%%~nxF" 转录完成，字幕已保存为 "srt\%%~nF.srt"
        )
        del !temp_log!
        
        if not !temp_wav! == "" (
            del !temp_wav!
        )
    )
    echo --------------------------------------------------------------------
    
)

echo.
echo ===============================================
echo  所有文件处理完毕！
echo  结果已全部保存在 "%~dp0srt" 文件夹内。
echo ===============================================
echo.


pause

修改后缀名 ：保存并关闭 run.txt。然后，将这个文件的后缀名从 .txt 修改为 .bat。最终文件名应为 run.bat。

重要提示 ：如果你的电脑不显示文件扩展名，请先在文件夹选项中开启"显示文件扩展名 "，否则你可能会把它错误地命名为 run.bat.txt。

如果修改后双击文件，它依然用记事本打开，说明你没有成功修改后缀名。请确保文件名末尾没有 .txt。

配置模型 ：右键点击 run.bat 文件，选择"编辑"。你会看到代码的第二行是： set model_name=ggml-large-v3-turbo.bin

你可以在这里修改成你下载并想使用的任何模型的文件名。例如，如果你想使用 large-v3 模型，就把它改成： set model_name=ggml-large-v3.bin

修改后保存即可。

开始批量转录：
- 将你所有需要转录的音频和视频文件，全部复制或移动到 wavs 文件夹内。
- 双击运行 run.bat 脚本。
- 此时会弹出一个黑色的命令行窗口，脚本会自动开始处理文件。你只需要静静等待它完成。
脚本运行示例

当窗口显示"所有文件处理完毕！"时，你就可以关闭它了。此时，去 srt 文件夹看看，所有的字幕文件是不是都已经生成好了？

第三步：脚本代码解释

对于想了解脚本是如何工作的朋友，这里对核心代码做个简单的解释：

@echo off: 关闭命令回显，让窗口输出更干净。
set model_name=...: 定义一个变量 model_name，方便我们在脚本开头集中修改模型。
cd /d "%~dp0": 将当前目录切换到脚本所在的目录，确保后续命令能在正确的路径下执行。
if not exist "srt\" mkdir "srt": 检查是否存在 srt 文件夹，如果不存在就创建一个。
if not exist "models/%model_name%": 检查指定的模型文件是否存在，如果不存在则报错并退出，给出模型的下载地址。
FOR %%F IN (wavs\*.*) DO (...): 这是一个循环语句，它会遍历 wavs 文件夹里的每一个文件，并将文件名赋值给变量 %%F，然后执行 DO 后面的代码块。
if !errorlevel! neq 0 (...): 这段是判断文件格式并调用 FFmpeg 的逻辑。!errorlevel! 是上一条命令的返回状态码，0 代表成功，非 0 代表失败。这里通过一个小技巧判断文件名后缀是否为 .wav，如果不是，就调用 ffmpeg 命令进行转换。
ffmpeg -y -i "%%F" -ac 1 -ar 16000 ...: 这是 FFmpeg 的转换命令，参数含义分别是：
- -y: 如果输出文件已存在则直接覆盖。
- -i "%%F": 指定输入文件。
- -ac 1: 设置音频通道为单声道。
- -ar 16000: 设置采样率为 16000 Hz。
- -c:a pcm_s16le: 设置音频编码为 16-bit PCM。这些都是 Whisper 最推荐的音频规格。
whisper-cli.exe ...: 调用核心转录程序，和我们手动执行时类似。
del !temp_wav!: 转录完成后，删除 FFmpeg 生成的临时 .wav 文件，保持目录整洁。
pause: 在脚本执行结束时暂停，等待用户按任意键关闭窗口，这样可以让我们看清楚最后的执行结果。

至此，你已经成功搭建起一个本地、高效、免费且无依赖的语音转文字工作流。通过 whisper.cpp 的强大性能和我们提供的批处理脚本，无论是整理会议记录、制作视频字幕，还是转换学习资料，都将变得异常简单。