OpenAI推出兩款新轉錄API：GPT-Live-Transcribe和GPT-Transcribe。它們突破傳統語音轉寫，能理解口音、術語、數字及背景噪聲等上下文。GPT-Live-Transcribe專爲低延遲實時場景打造，如速記員般同步轉錄，另一款則側重不同特性，兩者共同提升複雜環境下的識別精準度。
本地語音轉錄開發者長期受困於多引擎維護：需同時適配whisper.cpp、ONNX和MLX，重複移植模型。7月19日，知名應用Handy作者sebjones發佈新庫transcribe.cpp v0.1.0，基於ggml打造，統一跨平臺轉錄方案，並支持所有最新模型，直擊碎片化痛點。
MacWhisper 14.0更新：本地AI轉錄工具，支持Whisper和Parakeet模型，直接處理音頻、視頻及系統音頻。新增編輯器視圖，提升轉錄性能與編輯流暢度，適用於播客製作等場景。
OpenAI推出三款實時語音模型：GPT‑Realtime‑2具備GPT‑5級推理能力，支持複雜請求和自然對話；GPT‑Realtime‑Translate專注實時翻譯；GPT‑Realtime‑Whisper側重語音識別。這些模型爲開發者提供不同場景的語音應用解決方案。
視頻分析工具，結合Llama視覺模型和OpenAI Whisper進行本地視頻描述生成。
利用OpenAI的Whisper模型轉錄YouTube視頻
Google
$0.49
輸入tokens/百萬
$2.1
輸出tokens/百萬
1k
上下文長度
Openai
$2.8
$11.2
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$1
$10
256
$6
$24
$2
$20
$4
$16
Baidu
128
Bytedance
$1.2
$3.6
4
ycngin2024
這是一個經過微調的Whisper語音識別模型，基於unsloth/whisper-large-v3-turbo架構，使用Unsloth和Huggingface TRL庫實現了2倍訓練加速，顯著提升了訓練效率。
adoamesh
本模型是基於OpenAI Whisper-small模型針對斯瓦希里語進行微調的自動語音識別模型。在FLEURS-SLU數據集的斯瓦希里語部分進行訓練，顯著提升了斯瓦希里語的轉錄準確率，單詞錯誤率相比基礎模型降低了68%。
TheStageAI
TheWhisper-Large-V3-Turbo 是 OpenAI Whisper Large V3 模型的高性能微調版本，由 TheStage AI 針對多平臺即時、低延遲和低功耗語音轉文本推理進行優化。支持流式轉錄、單詞時間戳和可擴展性能，適用於即時字幕、會議和設備端語音界面等場景。
TheWhisper-Large-V3是OpenAI Whisper Large V3模型的高性能微調版本，由TheStage AI針對多平臺（NVIDIA GPU和Apple Silicon）的即時、低延遲和低功耗語音轉文本推理進行了優化。
MERaLiON
MERaLiON-SER-v1 是一個參數高效的多語言語音情感識別模型，能夠同時預測7種離散情感類別和連續的情感維度值。該模型基於Whisper-Medium編碼器構建，採用LoRA自適應技術，在多語言語音情感識別任務中表現出色。
teckedd
本模型是基於OpenAI Whisper-small在Common Voice 17.0數據集上微調的自動語音識別模型，專門針對Twi語言進行優化，能夠實現語音內容的準確識別。
kalilouisangare
這是一個基於 OpenAI Whisper Small 模型微調的班巴拉語語音識別模型，在 24738 個班巴拉語音頻樣本上訓練，能夠將班巴拉語語音準確轉錄為文本，字符錯誤率低至 21.69%。
Ken-Z
本模型是基於OpenAI Whisper-small在拉丁語上微調的自動語音識別模型，使用67小時拉丁語音頻數據訓練，字符錯誤率（CER）為20，支持拉丁語語音轉文本任務。
ReportAId
MedWhisper Large ITA是基於OpenAI Whisper Large v3 Turbo的領域適配變體，專門針對意大利語醫療語音識別進行了優化。該模型在精心挑選的意大利語門診專科就診錄音集上使用LoRA技術進行微調，顯著提升了醫學術語和臨床表達的識別準確率。
feelmadrain
這是一個基於OpenAI Whisper Small架構的俄語自動語音識別模型，在Common Voice 17.0數據集上進行了專門訓練，能夠準確地將俄語語音轉換為文本。
openchs
基於OpenAI Whisper Large v2在Common Voice 17.0斯瓦希里語數據集上微調的語音識別模型，專為坦桑尼亞兒童求助熱線的斯瓦希里語語音識別任務設計，相比基礎模型在斯瓦希里語識別準確率上有顯著提升。
BUT-FIT
SE-DiCoW是由BUT Speech@FIT聯合JHU CLSP/HLTCOE和CMU LTI開發的目標說話人多說話人自動語音識別模型。該模型基於Whisper large-v3-turbo，通過自注冊機制和改進的數據增強技術，在高度重疊的多說話人場景下顯著提升了識別準確率。
jacktol
基於OpenAI Whisper Large v3模型微調的航空交通管制語音識別模型，專門針對ATC通信場景優化，在測試集上實現了6.5%的字錯誤率，顯著提升了航空通信轉錄的準確性。
tiantiaf
基於openai/whisper-small優化的印度多語言分類模型，支持23種印度地區語言的精準識別，為語言識別領域提供高效解決方案。
基於Whisper-small架構的語音方言分類模型，專門用於識別8種中國方言變體，包括江淮方言、膠遼官話、冀魯官話、蘭銀官話、普通話、西南官話、中原官話和粵語。該模型在Common Voice 11.0數據集上訓練，具有重要的語音識別價值。
基於Whisper-small的英語方言分類模型，能夠準確識別16種不同的英語方言，為語音處理和語言研究提供支持。
NexaAI
基於OpenAI Whisper架構微調的自動語音識別和語音翻譯模型，通過減少解碼層數量實現顯著速度提升，同時保持接近原版的識別質量。
kimthegarden
基於Whisper-small架構微調的韓語自動語音識別模型，在韓語語音識別任務上表現出色。
syvai
Hviske v3 是丹麥領先的最先進轉錄模型，專門針對自然對話場景進行微調，在會議、訪談、播客等場景中具有極高的準確性，超越了包括OpenAI Whisper在內的其他模型。
Habib-HF
針對《古蘭經》阿拉伯語誦讀微調的 Whisper Small 模型，能夠準確識別並轉錄《古蘭經》誦讀內容。
該項目擴展了視頻語音識別功能，從僅支持本地Whisper模型，新增支持簡影和B站剪輯的在線語音識別服務，提供了靈活的多服務選擇架構。
一個基於MCP協議的視頻音頻文本提取服務器，支持從多平臺下載視頻並利用Whisper模型進行語音轉文字處理
一個基於Whisper模型的語音錄製和轉錄MCP服務器，可作為Goose AI擴展或獨立運行，支持多種錄音場景和模型配置。
一個基於Whisper模型的語音錄製和轉錄MCP服務器，可作為Goose AI擴展或獨立服務運行。
基於Faster Whisper的高性能語音識別MCP服務器，提供高效的音頻轉寫能力，支持批量處理、多模型尺寸和多種輸出格式。
一個基於whisper.cpp的本地音頻轉錄MCP服務器，支持多種模型和音頻格式，可與蘋果語音備忘錄MCP配合實現完整語音工作流。
MCP Server Whisper是一個基於OpenAI Whisper和GPT-4o模型的音頻處理服務器，提供高級音頻轉錄、格式轉換、批量處理和文本轉語音等功能，通過Model Context Protocol標準實現與AI助手的無縫交互。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
'%3e%3cpath%20d='M55.2622%2038L48.2289%2022L44.1206%2031.3333H47.2539L45.7872%2034.6667H38.7622L46.0956%2018H37.6706C36.7539%2018%2036.0039%2018.75%2036.0039%2019.6667V36.3333C36.0039%2037.25%2036.7539%2038%2037.6706%2038H55.2622Z'%20fill='white'/%3e%3cpath%20d='M64.3368%2018H50.3535L59.1535%2038H64.3368C65.2535%2038%2066.0035%2037.25%2066.0035%2036.3333V19.6667C66.0035%2018.75%2065.2535%2018%2064.3368%2018ZM63.0868%2034.6667H59.7535V21.3333H63.0868V34.6667Z'%20fill='%23FFCC66'/%3e%3cpath%20d='M89.3379%2026.75V29.25H81.8379V36.75H91.8379V24.25H81.8379V26.75H89.3379ZM84.3379%2034.25V31.75H89.3379V34.25H84.3379Z'%20fill='white'/%3e%3cpath%20d='M103.504%2036.75V29.25H96.0039V26.75H103.504V24.25H93.5039V31.75H101.004V34.25H93.5039V36.75H103.504Z'%20fill='white'/%3e%3cpath%20d='M115.17%2026.75V24.25H105.17V36.75H115.17V34.25H107.67V31.75H115.17V29.25H107.67V26.75H115.17Z'%20fill='white'/%3e%3cpath%20d='M80.1712%2029.25V29.175L78.9962%2028L80.1712%2026.825V20.425L78.9962%2019.25H69.3379V36.75H78.9962L80.1712%2035.575V29.25ZM77.6712%2034.25H71.8379V29.25H77.6712V34.25ZM77.6712%2026.75H71.8379V21.75H77.6712V26.75Z'%20fill='white'/%3e%3c/g%3e%3cg%20clip-path='url(%23clip1_644_3948)'%3e%3cpath%20d='M169.59%2022.9827L169.59%2023.6491H177.409L168.175%2032.8822L169.118%2033.8248L178.351%2024.5917L178.352%2032.4106H179.685V22.3164L179.018%2022.3157H169.59V22.9827Z'%20fill='white'/%3e%3c/g%3e%3cdefs%3e%3cclipPath%20id='clip0_644_3948'%3e%3crect%20width='80'%20height='20'%20fill='white'%20transform='translate(36%2018)'/%3e%3c/clipPath%3e%3cclipPath%20id='clip1_644_3948'%3e%3crect%20width='20'%20height='20'%20fill='white'%20transform='translate(164%2018)'/%3e%3c/clipPath%3e%3c/defs%3e%3c/svg%3e)
