如果一小時中文會議錄音不能上傳雲端，你需要的是能在自己電腦執行、可批次處理、輸出格式固定的轉錄管線。whisper.cpp 適合這種情境，但安裝成功只代表程式能跑；模型選錯、音訊太差或沒有校稿規則，仍可能把人名、金額與否定句轉錯。
下列步驟會從零跑通本機中文逐字稿，並把結果輸出成 TXT 與 SRT。只想在 Mac 拖放檔案可看 MacWhisper 教學；工作重點是逐句校時間軸，改看 Subtitle Edit Whisper 字幕流程；需要會議 Bot、團隊分享與雲端整合，則比較 Notta。
whisper.cpp 是什麼，和 OpenAI Whisper 有何差別？
OpenAI Whisper 是通用語音辨識模型與 Python 參考實作，可做多語辨識、語言偵測與語音翻譯。whisper.cpp 是 ggml-org 維護的 C／C++ 推論實作，使用轉換成 GGML 格式的模型，支援 CPU、Apple Silicon、NVIDIA CUDA、AMD ROCm、Vulkan、OpenVINO、Docker 與多種平台整合。
兩個專案的程式與模型權重都採 MIT License；這表示可以使用、修改與散布，但仍要保留授權聲明，也要自行確認錄音內容、聲音權利、個資與所在地法律。whisper.cpp 官方 README 把限制寫為 inference only，它不是訓練新模型或完整會議管理平台。
本機轉錄的隱私優勢來自部署方式。模型、音訊與輸出都留在本機時，推論不必呼叫雲端；但模型第一次下載需要網路，你的同步硬碟、備份、暫存檔、日誌與後處理工具仍可能把資料帶離設備。正式處理機密錄音前，要驗證整條路徑，不只看 Whisper 本身。
安裝前要準備什麼？
你需要 Git、CMake、可用的 C／C++ 編譯環境，以及足夠的磁碟與記憶體。Windows 最省事的方式是安裝 Visual Studio Build Tools 的 Desktop development with C++；macOS 安裝 Xcode Command Line Tools；Linux 則準備 GCC 或 Clang。實際套件名稱會依系統更新，CMake 能在終端機執行後再開始。
音訊方面，whisper-cli 說明目前列出 FLAC、MP3、OGG 與 WAV。若檔案讀取失敗、來源是影片或編碼很複雜，先用 FFmpeg 轉成官方快速入門建議的 16-bit、16kHz、單聲道 WAV：
ffmpeg -i meeting.mp4 -ar 16000 -ac 1 -c:a pcm_s16le meeting.wav轉單聲道方便一般轉錄，但會失去左右聲道原本分開的講者資訊。若你打算使用雙聲道 --diarize，請保留原始檔，另外產生測試副本。
macOS、Linux 怎麼安裝？
下面依官方 Quick start編譯。中文要下載多語模型 small，不要使用只辨識英文的 small.en。
git clone https://github.com/ggml-org/whisper.cpp.git
cd whisper.cpp
sh ./models/download-ggml-model.sh small
cmake -B build
cmake --build build -j --config Release先確認指令與模型可用，再轉自己的錄音：
./build/bin/whisper-cli \
-m models/ggml-small.bin \
-f meeting.wav \
-l zh \
-otxt -osrt \
-of meeting-transcript完成後應看到 meeting-transcript.txt 與 meeting-transcript.srt。不同版本的參數可能新增或調整，部署前執行 ./build/bin/whisper-cli -h，不要把網路文章裡的舊參數直接寫死到正式腳本。
Windows 怎麼安裝？
請在已載入 C++ 編譯工具的 PowerShell 或 Developer PowerShell 執行。官方倉庫提供 Windows 模型下載腳本；Release 組態的執行檔通常會在 build\bin\Release。
git clone https://github.com/ggml-org/whisper.cpp.git
Set-Location whisper.cpp
.\models\download-ggml-model.cmd small
cmake -B build
cmake --build build --config Release第一支中文錄音可以這樣跑：
.\build\bin\Release\whisper-cli.exe `
-m .\models\ggml-small.bin `
-f .\meeting.wav `
-l zh `
-otxt -osrt `
-of .\meeting-transcript若編譯找不到 compiler，先修正 Visual Studio Build Tools 或 CMake 環境；若執行檔路徑不同，在 build\bin 下搜尋 whisper-cli.exe。不要從陌生網站下載包裝過的可執行檔或模型，優先使用 ggml-org 官方 Release 與倉庫。
中文模型該選 small、medium 還是 large？
先用同一段 10 至 20 分鐘的真實錄音建立基準。tiny 和 base 適合確認流程能否執行；中文會議可從 small 起跑；若口音、噪音或專有名詞很多，再測 medium 或 large 系列。.en 後綴是英文專用版，不適合繁中錄音。
模型越大通常需要更多磁碟、記憶體與處理時間，但「大就一定準」也不能當驗收。OpenAI 的模型表明確提醒，速度會受語言、說話速度與硬體影響。whisper.cpp README 目前列出的未量化模型大約從 tiny 75MiB 到 large 2.9GiB，執行記憶體也隨模型增加；正式數字應以當前模型頁為準。
量化模型會減少檔案與記憶體需求，部分硬體也可能更快，代價是辨識品質可能變動。判斷標準應是「整體交付時間」：轉錄 60 分鐘花多久，加上人工修正又花多久。快 20 分鐘卻多校一小時，沒有真的省時間。
如何輸出逐字稿、字幕與 JSON？
whisper-cli 目前支援 -otxt、-osrt、-ovtt、-ocsv、-oj 與完整 JSON 等輸出選項；-of 指定不含副檔名的輸出路徑。純逐字稿用 TXT，影片字幕用 SRT 或 VTT，自動化流程需要時間與分段資訊時可測 JSON 或 CSV。
字幕輸出仍是初稿。你要在 Subtitle Edit 或剪輯軟體裡檢查斷句、每行長度、重疊、畫面切點與閱讀速度。中文標點也可能不穩，後處理工具只能修標點與格式，不能擅自改變金額、否定詞或原意。
專有名詞可用 --prompt 提供初始提示，例如公司名、產品名與人名；它是提示，不是保證正確的強制詞庫。先拿自己的測試集量化錯誤，別只看一段乾淨示範音檔。
長錄音要不要開 VAD？
whisper.cpp 支援 Voice Activity Detection。搭配支援的 VAD 模型與 --vad 後，系統先找出有語音的片段，再把這些片段交給 Whisper，可減少長時間靜音的處理量。官方 README 目前示範 Silero VAD，模型下載與參數請以 VAD 章節為準。
VAD 門檻設太高可能切掉小聲、短促的話，太低又會把噪音當語音。正式啟用前，拿包含停頓、多人插話與遠距麥克風的錄音比較：是否漏句、時間戳是否位移、總速度改善多少。保留原始音訊，讓問題可重跑。
whisper.cpp 能自動分辨誰在說話嗎？
一般單聲道錄音不能期待它直接產出可靠的「王先生／陳小姐」姓名。CLI 的 --diarize 是 stereo audio diarization，利用左右聲道估計講者；只有錄音本來就把不同講者分到不同聲道時才有意義。--tinydiarize 還需要對應的 tdrz 模型，效果與用途也要另外測試。
真正的多人 speaker diarization 通常需要額外模型或服務，再把講者區段和 Whisper 文字對齊。醫療、訪談、法律或董事會紀錄若要求誰說了什麼，應把講者分離當獨立驗收項目，不能看到時間戳就算完成。
正式上線前怎麼測？
準備 30 至 60 分鐘、涵蓋實際場景的錄音：安靜與吵雜、單人與多人、台語或英文夾雜、遠近麥克風、常見人名與金額。人工做一小份正確稿，固定同一台機器，逐一比較模型、量化、VAD 和硬體加速設定。
至少記錄總處理時間、峰值記憶體、漏句、專有名詞、數字、否定句、時間戳與人工校稿分鐘數。升級 whisper.cpp、FFmpeg、模型或驅動後，用同一批資料重跑。沒有可重跑測試集的「感覺更準」，很難保護正式流程。
若需要批次服務，先從資料夾佇列與固定輸出命名開始，再評估官方的 whisper-server 或 Docker 映像。內網部署也要補權限、暫存檔清理、日誌遮罩、失敗重試與原始音訊保留期限；離線推論不會自動完成這些治理工作。
FAQ
whisper.cpp 是 OpenAI 官方工具嗎？
不是。它由 ggml-org 社群維護，實作 OpenAI 發布的 Whisper 模型推論。OpenAI Whisper 與 whisper.cpp 都採 MIT License，但版本、模型轉換、參數與硬體後端由各專案分別維護。
whisper.cpp 可以完全離線使用嗎？
程式、模型與依賴下載完成後，轉錄推論可以在本機離線執行。仍要檢查作業系統備份、雲端同步資料夾、暫存檔、日誌，以及後續摘要或校稿工具是否會把內容送出去。
中文錄音可以用 base.en 或 small.en 嗎？
不建議。.en 是英文專用模型；中文請選沒有 .en 後綴的多語模型，例如 small 或 medium。先用真實錄音測試，再依校稿量和硬體決定大小。
有 NVIDIA 或 Apple Silicon，會自動變快嗎？
要看編譯選項與執行輸出。官方提供 CUDA、Metal／Core ML、Vulkan、ROCm 與 OpenVINO 等後端說明；硬體存在不代表目前 binary 已啟用。查看啟動時的 system info，並用 whisper-bench 或固定錄音比較 CPU 與加速版本。
whisper.cpp 和 faster-whisper 怎麼選？
想要輕量 C／C++ 整合、廣泛裝置支援、單一 GGML 模型檔與原生應用嵌入，可先試 whisper.cpp。現有流程以 Python、CTranslate2 或 GPU 批次服務為主時，faster-whisper 可能較順。兩者都要用同一測試集比較辨識、速度、記憶體與維運成本。