需在Dify≥1.7.0版本中配置Whisper-large-v3作为ASR引擎，通过Hugging Face或本地ONNX方式添加模型，设置Audio-to-Text节点并启用word_timestamps等参数，支持16kHz单声道音频输入，输出带时间戳的结构化文本。
☞☞☞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☜☜☜
你需要在Dify平台中快速接入Whisper模型，让会议录音、访谈音频或视频配音自动转成带时间戳的结构化文本，避免手动听写耗时费力、云端API调用延迟高且费用不可控。
确认Dify版本与环境准备
进入Dify控制台右上角「关于」页面，核对当前版本号≥1.7.0——低于该版本不支持原生Audio-to-Text插件，无法启用Whisper相关配置。
确保已开通ASR模块权限：在「团队设置→角色管理」中检查当前账号是否被赋予asr:use和model:deploy权限。缺少任一权限将导致模型列表为空。
本地部署Whisper-large-v3需至少8GB显存GPU（如RTX 3090或A10），若使用CPU推理，必须在模型配置中显式指定device=cpu并接受识别速度下降至实时率0.3x以下。
添加Whisper模型为自定义ASR引擎
方法一：直接挂载Hugging Face公开模型
进入「设置→模型供应商→添加模型」，填写以下字段：
- 模型名称：whisper-large-v3-zh
- 模型类型：asr
- 提供商：huggingface
- 模型路径：openai/whisper-large-v3
- 运行时：python3.10
- 框架：transformers
点击保存后，Dify会自动拉取模型权重并完成环境初始化。首次加载约需4–6分钟，期间不可中断服务进程。
方法二：使用本地量化模型加速推理
将已量化的whisper-large-v3-int8.onnx文件上传至服务器/opt/dify/models/whisper/目录；在「添加模型」表单中选择「本地路径」模式，填入完整路径，并勾选「启用ONNX Runtime加速」。
【注意】ONNX模型必须与Dify当前Python环境中的onnxruntime版本严格匹配（推荐v1.18.0），否则启动失败且无明确报错提示。
配置语音转文字工作流
第一步：新建应用时选择「语音处理」模板，或在已有应用中进入「编排→节点管理」→点击「+ 添加节点」→选择「Audio-to-Text」。
第二步：在节点配置面板中，将「ASR引擎」下拉菜单切换为你刚添加的whisper-large-v3-zh模型。
第三步：展开「高级参数」，按需启用以下选项：
-
enable_punctuation：开启后自动恢复句末标点，对中文长句识别准确率提升12%； -
language：强制指定语言代码（如zh-CN），避免多语混说时误判； -
temperature：设为0.5可降低重复输出概率，但过低（＜0.3）会导致漏字； -
word_timestamps：勾选后输出每个词的时间范围，用于生成SRT字幕文件。
第四步：连接输入源——支持三种方式：拖拽上传MP3/WAV/M4A文件、填写公网可访问的audio_url、或通过SDK传入base64编码音频流。
测试与验证输出格式
在「调试与预览」页点击「管理→语音转文字」，上传一段含清晰人声的30秒中文录音（建议避开背景音乐和多人重叠说话）。
等待状态变为「已完成」后，点击结果右侧「查看原始响应」，确认返回JSON中包含segments数组，每个元素含start、end、text、speaker字段。
若segments为空或text字段为乱码，立即检查音频采样率是否为16kHz、是否为单声道——Dify Whisper适配器默认拒绝44.1kHz立体声WAV输入，会静默跳过处理。
导出TXT时文本自动合并段落；导出SRT则按时间戳切分，可直接导入剪映或Premiere生成字幕轨。
