PHP调用Whisper API最稳路径是直连OpenAI whisper-1模型，需确保音频为mp3/m4a/wav格式（16kHz单声道），用multipart/form-data上传并正确配置CURLFile对象。
PHP 调用 Whisper API 做语音转文本最稳的路径
直接调用 OpenAI 的 whisper-1 模型是当前 PHP 项目里最可靠、错误最少的语音转文本方案。它不依赖本地 GPU，识别准确率高，对中英文混说、带口音、语速快的会议录音容忍度远超多数开源模型。
关键不是“能不能调”，而是怎么绕过常见坑：
- 音频必须是
mp3、m4a或wav（采样率 16kHz、单声道更稳），PHP 用ffmpeg转码时别漏掉-ac 1 -ar 16000 - 请求体要用
multipart/form-data，不能拼 JSON —— 否则会返回"error": "Invalid request: no file provided" - PHP cURL 必须显式设置
CURLOPT_POSTFIELDS为数组（含@/path/to/file或CURLFile对象），用字符串会静默失败
示例片段（PHP 8.1+）：
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, 'https://api.openai.com/v1/audio/transcriptions');
curl_setopt($ch, CURLOPT_POST, true);
curl_setopt($ch, CURLOPT_HTTPHEADER, [
'Authorization: Bearer ' . $_ENV['OPENAI_API_KEY']
]);
$file = new CURLFile('/tmp/meeting.mp3', 'audio/mpeg', 'meeting.mp3');
curl_setopt($ch, CURLOPT_POSTFIELDS, ['file' => $file, 'model' => 'whisper-1']);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
$response = curl_exec($ch);
用 PHP 调 speech-to-text 类库前先看清楚授权和依赖
像 google/cloud-speech 或 aws/aws-sdk-php 这类 SDK，表面封装了 API，但实际运行时仍要走网络请求 + 认证 + 音频预处理。很多人卡在第一步：没配好服务账号密钥或 IAM 权限，结果报错 "Request had invalid authentication credentials"。
立即学习“PHP免费学习笔记（深入）”；
更隐蔽的问题是音频格式兼容性：
- Google Speech-to-Text 要求
encoding显式指定为LINEAR16或MULAW，PHP 读 WAV 文件头不校验位深，直接传会导致"Invalid audio encoding" - AWS Transcribe 要求音频上传到 S3，且
MediaFormat必须和文件扩展名一致 —— 传.wav却填mp3会直接失败
建议：先用官方 CLI 工具（如 gcloud speech recognize）跑通流程，再对照 PHP SDK 文档补全参数映射，别跳步。
本地部署 Whisper.cpp + PHP 调用的取舍点
如果你的会议录音涉及敏感内容、不能出内网，或者需要离线批量处理，才考虑本地跑 whisper.cpp。但它不是“装个扩展就能用”的方案。
PHP 本身不支持直接加载 C++ 模型，只能靠 exec() 调二进制：
- 需提前编译好
main可执行文件，并确保服务器有 x86_64 或 ARM64 兼容 CPU（M1/M2 Mac 上跑 Linux 容器常因架构不匹配崩溃） - 模型文件（如
ggml-base.bin）至少 300MB，首次加载慢；PHP 请求超时默认 30 秒，得调大max_execution_time和 Nginx 的proxy_read_timeout - 输出是纯文本，没有时间戳段落切分 —— 会议纪要需要按发言轮次整理时，还得自己写逻辑对齐语义边界
一句话：除非合规强约束，否则优先走云 API。
生成会议纪要不是转完文本就结束
语音转文本只是第一步。真实会议录音里充斥着“呃”、“啊”、“这个那个”、重复确认、打断插话，直接喂给 llm 做摘要，效果往往比人工还差。
PHP 层要做轻量清洗：
- 用正则删常见填充词：
preg_replace('/\b(呃|啊|嗯|那个|这个|就是|然后|对吧|是不是)\b/u', '', $text) - 按标点（句号、问号、感叹号）粗切句子，再用
str_word_count()过滤过短句（ - 如果后续接 LLM（如调
openai/chat/completions），提示词里明确要求：“只保留决策结论、待办事项、责任人、时间节点，去掉寒暄与讨论过程”
真正难的不是技术链路，是定义“什么是有效纪要”。同一段录音，销售会议和研发复盘要提取的信息维度完全不同 —— 这部分没法靠通用模型自动识别，得在 PHP 里加业务规则分支。
