Whispry语音转文字失败的五大原因及解决步骤：一、确认服务启动并检查端口；二、验证麦克风权限与输入源；三、按硬件切换FasterWhisper、CUDA或whisper-cpp后端；四、统一音频为16kHz单声道WAV；五、启用diarization实现说话人分离。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

如果您尝试使用Whispry进行语音转文字，但会议内容无法准确转录或服务未启动，则可能是由于模型未加载、音频输入异常或后端配置缺失。以下是解决此问题的步骤：

一、确认Whispry服务已正确安装并启动

Whispry依赖本地运行的服务进程来接收音频流并返回文本，若服务未启动，所有前端调用均会失败。需验证核心服务是否处于活动状态，并确保端口未被占用。

1、在终端中执行 ps aux | grep wlk 查看Whispry相关进程是否存在。

2、若无输出，进入项目根目录，运行 wlk --model base --language zh 启动基础中文模型服务。

3、如提示端口被占用，添加 --port 9091 参数指定新端口重新启动。

二、检查音频输入源与权限配置

Whispry默认从系统默认麦克风采集实时音频，若设备未授权或被其他应用独占，将导致静音转录或空结果。需逐项验证输入链路完整性。

1、在 macOS 上打开“系统设置→隐私与安全性→麦克风”，确认 Whispry 或 Python 进程已勾选。

2、在 Windows 上进入“设置→隐私→麦克风”，启用“允许应用访问麦克风”，并确保 后台应用权限已开启。

3、Linux 用户需运行 pactl list sources short 检查默认源状态，必要时用 parec -d alsa_input.pci-0000_00_1f.3.analog-stereo test.wav 录制测试音频验证硬件通路。

三、切换推理后端以适配硬件性能

Whispry支持多种后端引擎，不同后端对CPU/GPU资源消耗差异显著。若转录延迟高或频繁卡顿，应根据设备能力切换更匹配的推理模式。

1、使用 FasterWhisper 提升吞吐：启动命令替换为 wlk --backend faster_whisper --model small。

2、启用GPU加速（需CUDA环境）：追加参数 --device cuda，例如 wlk --backend faster_whisper --model medium --device cuda。

3、纯CPU低负载场景：改用 --backend whisper-cpp 并指定量化模型路径，如 --model-path ./models/ggml-base.en.bin。

四、验证音频格式与采样率兼容性

Whispry内部依赖FFmpeg解码音频流，若原始输入为高采样率（如96kHz）或特殊编码（如Opus封装于WebM），可能导致预处理失败。需统一转换为标准格式。

1、将会议录音文件转为单声道16kHz WAV：执行 ffmpeg -i input.opus -ar 16000 -ac 1 -acodec pcm_s16le output.wav。

2、若使用实时流，通过 ffmpeg -f avfoundation -i ":0" -f wav -ar 16000 -ac 1 -（macOS）或对应平台命令生成标准化流。

3、将转换后的文件路径传入Whispry CLI：运行 wlk --file output.wav --language zh 测试离线转录准确性。

五、启用说话人分离（Diarization）提升会议结构化效果

默认Whispry不区分说话人，若会议含多人交替发言，需额外启用语音活动检测与聚类模块，以实现“张三：……”“李四：……”式结构输出。

1、安装增强依赖：执行 pip install whisperlivekit[diarization]。

2、启动带角色分离的服务：运行 wlk --diarize --model base --language zh。

3、调用时添加 --min-speaker-count 2 --max-speaker-count 6 显式限定人数范围，避免误分。