最省事的是用 Whisper，尤其对中文支持好、无需自搭模型、单命令即可运行；应避免 speech_recognition + pyaudio 或 Google Web Speech 方案，因其不支持批量、无内置中文模型、易受设备/格式/网络限制且识别质量差。

直接用 whisper 最省事，尤其对中文支持好、无需自己搭 ASR 模型、单条命令就能跑通；别碰 speech_recognition + pyaudio 这套老方案，它默认不支持批量、没内置中文模型、还容易卡在麦克风设备或格式兼容上。

用 whisper 命令行批量转录（推荐）

这是最快落地的方式，适合处理本地一堆 .mp3、.wav、.m4a 文件：

• 先装好 openai-whisper：pip install openai-whisper
• 确保系统已安装 ffmpeg（Mac 用 brew install ffmpeg，Windows 下载二进制后加到 PATH）
• 执行批量识别（示例：当前目录下所有 .mp3）：

  whisper *.mp3 --model medium --language zh --output_dir ./transcripts

• --model 可选 tiny/base/small/medium/large，中文推荐 medium 起步，large 精度高但显存吃紧
• 输出默认是 .txt 和 .srt，--output_format txt 可限制只出纯文本

用 whisper Python API 控制更细的转录逻辑

当你要跳过某些文件、加进度条、提取时间戳、或拼接多段音频再识别时，得写代码：

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

• 加载模型一次，复用给多个文件，别每个文件都 whisper.load_model()
• 注意音频采样率：whisper 只接受 16kHz 单声道，用 pydub 预处理：

  from pydub import AudioSegment<br>audio = AudioSegment.from_file("input.mp3").set_frame_rate(16000).set_channels(1)<br>audio.export("temp.wav", format="wav")

• 调用识别时传 fp16=False 避免显存不足报错（尤其在 CPU 或小显存机器上）
• 中文识别必须显式指定 language="zh"，否则自动检测常失败，尤其短音频

为什么别用 speech_recognition + Google Web Speech？

这个组合看似简单，实际坑多：

立即学习“Python免费学习笔记（深入）”；

• Google 接口有调用量限制，批量跑几十个文件大概率触发 AttributeError: 'NoneType' object has no attribute 'get' 或返回空结果
• speech_recognition 本身不支持直接读 .mp3，必须先用 pydub 转成 .wav，且要求 PCM 编码，否则报 Could not find a WAV header
• 中文识别质量差，连“你好”都常识别成“你号”，因为 Google Web Speech 默认优先适配英文语音模型
• 无法离线运行，网络抖动或防火墙会直接中断整个批量流程

whisper 的模型体积和推理耗时是主要代价——medium 模型约 1.7GB，1 分钟音频在 RTX 3060 上约需 20 秒。如果文件极多，记得加 try/except 包裹单个识别调用，避免一个失败就中断全部；另外，带背景音乐或多人对话的音频，whisper 容易串句，这时候得靠人工校对，算法目前真没法全自动兜底。