想把手里的录音、网课、采访音频变成带时间戳的字幕文件，网上的「语音识别工具」大多绕不开两条路：要么联网上传音频到云端（隐私和额度都悬），要么装一套 Python 环境敲命令行。这次实测的 Whisper Desktop 是 OpenAI 开源语音识别模型 Whisper 的 Windows 桌面版：免费开源、完全离线运行，程序本体只有 0.5MB，界面点两下就能把音频转成 SRT 字幕。本站实测了「装模型 → 英文转写 → 中文转写 → 实时麦克风识别」全流程，17 秒英文音频约 2.6 秒出全部字幕，下面的截图和识别结果全部来自本次实测。
下载地址
三个网盘提取码均为 8888。程序包 WhisperDesktop.zip 只有 465.65 KB，版本 1.12.0，Windows 64 位；base 模型 ggml-base.bin 为 141.1 MB，蓝奏云单文件上限 100MB 放不下，所以模型只传了 123 和夸克。
模型和程序是分开的：zip 解压得到 WhisperDesktop.exe（332KB）和 Whisper.dll（576KB），首次启动会让你指定一个 GGML 格式的模型文件。模型官方托管在 Hugging Face，国内直连经常打不开（实测 huggingface.co 直连超时），所以本站把最常用的 base 多语言模型传到了网盘，下载后直接选用即可。
实测信息
- 下载来源：GitHub 官方仓库 Const-me/Whisper 的 v1.12.0 release（2023-07-22 发布），约 10.7k Star，MPL-2.0 协议
- 程序包：476,830 字节（465.65 KB），zip 解压即用，免安装、不需要登录、不写注册表也能跑
- 模型：ggml-base.bin（多语言版），147,951,465 字节（141.1 MB），程序内显示「141.1 MB on disk, GPU」
- 实测机器：AMD Radeon 核显（DirectX 11），GPU 实现正常加载
- 实测音频：Windows 自带 TTS 生成的英文 17 秒、中文 12 秒、英文长录音 34 秒，全部转写成功
首次启动：选一个模型就能用
程序第一次打开是「Load Whisper Model」窗口：可以把本地 GGML 模型文件的路径填进去（点「...」浏览选择），也可以勾选从 Hugging Face 在线下载。选好模型点 OK，主界面顶部会显示模型信息——实测显示 Multilingual model "ggml-base.bin", 141.1 MB on disk, GPU，说明 GPU 加速已经生效。
文件转写：选音频、选格式、点一下
主界面就三步：Language 下拉选语言（支持多语言，也可以让它自动检测）、Transcribe File 里选音频文件、Output Format 选输出格式。输出格式有 None / Text file / Text with timestamps / SubRip subtitles / WebVTT subtitles 五种，做字幕选 SubRip 就是标准 .srt 文件。点 Transcribe 按钮，进度条跑完就能拿到带时间戳的字幕。
实测 17 秒英文音频（TTS 生成，内容是介绍这款工具的普通话速英文），从点击到转写完成约 2.6 秒，输出的 SRT 时间轴准确、断句合理：
1
00:00:00,000 --> 00:00:06,880
Hello everyone. Today we are testing Whisper Desktop, a free and open source
speech recognition tool.
2
00:00:06,880 --> 00:00:13,760
It runs completely offline on your own computer, powered by a DXGPU accelerated engine.（原文说的是 DirectX GPU，base 模型听成了 DXGPU——这是小模型的正常水平，换 medium 模型会明显更准。）
中文转写：多语言模型直接识别
把 Language 切到 Chinese、换一段 12 秒的中文 TTS 录音再跑，约 2.7 秒完成。识别结果准确，但 base 模型输出的是繁体中文（Whisper 小模型的常见现象），做简体字幕建议换 small 或 medium 模型，或者用文本工具做一次繁简转换：
1
00:00:00,000 --> 00:00:04,000
大家好,今天我們測試語音轉文字工具。
2
00:00:04,000 --> 00:00:12,200
它完全離線運行,不上傳任何音頻到雲端,可以自動識別中文和英文。
又用 34 秒的英文长录音（六句话）压了一遍速度：点击 Transcribe 后约 3 秒，六段带时间戳的 SRT 全部就位，识别内容与原文逐句一致。整个推理过程在本机 GPU 上跑，全程断网也能工作。
实时转写：麦克风说话直接出字
主界面底部的 Audio Capture 是另一个玩法：不走文件，直接选麦克风实时识别。实测页面能正确列出本机录音设备（麦克风 High Definition Audio Device），支持保存到文本文件、追加写入和带时间戳三种选项，开会记录、直播字幕这类场景够用。
模型怎么选（体积与效果）
Whisper 模型按参数量分档，都是 GGML 单文件，放在任意目录后在程序里指定路径即可：
- tiny / base（约 75MB / 142MB）：速度快到秒出，英文清晰语音够用；base 是速度和效果的平衡点，本站网盘传的就是它
- small（约 466MB）：中文效果明显更好，简体输出更稳，推荐中文用户从这档起步
- medium / large（1.5GB / 3GB 级）：接近商用识别精度，速度仍然实时，机器带得动就上
同一模型的 .en 后缀版本是英文专用（更小更准但不识别中文）。模型官方下载在 Hugging Face 的 ggerganov/whisper.cpp 仓库，国内打不开就用本站网盘的 base 模型先跑起来。
实测重点
- 真离线：模型加载后推理全程本地完成，不联网、不上传音频、不需要账号登录
- 免安装：zip 解压双击就能用，0.5MB 的程序本体加一个模型文件就是全部
- 界面是英文的：没有中文界面，但全部操作就是「选模型 → 选音频 → 点按钮」三步，没有理解成本
- 转写速度：实测 17 秒英文音频 2.6 秒、12 秒中文音频 2.7 秒、34 秒长录音约 3 秒（AMD 核显 + base 模型，GPU 实现）
- 输出格式全：纯文本、带时间戳文本、SRT 字幕、WebVTT 字幕四种落盘格式，做视频字幕直接可用
- base 模型中文出繁体：换 small 及以上模型改善，或转写后做繁简转换
- 模型下载器走 Hugging Face：国内网络建议直接用本站网盘的模型文件
软件信息
| 项目 | 内容 |
|---|---|
| 软件名称 | Whisper Desktop（Const-me/Whisper 项目） |
| 当前版本 | 1.12.0（2023-07-22） |
| 软件大小 | 程序包 465.65 KB / base 模型 141.1 MB |
| 系统要求 | Windows 64 位，DirectX 11 显卡 |
| 语言界面 | 英文界面，识别语言支持多语种 |
| 模型格式 | GGML 二进制（whisper.cpp 系） |
| 开源协议 | MPL-2.0，GitHub 约 10.7k Star |
| 是否收费 | 完全免费，开源 |
| 是否需要登录 | 不需要，离线可用 |
关于病毒扫描与包安全
- 本包从 GitHub 官方仓库 Const-me/Whisper 的 v1.12.0 release 直链下载，未经任何第三方修改
- 程序包 SHA-256：
483a82cc93e89c7e8a0187e4809a026d7b797e051bf4f9e54b6268e1fc574c62，模型文件 SHA-256：60ed5bc3dd14eea856493d334349b405782ddcaf0028d4b5df4088345fba2efe，可用命令certutil -hashfile 文件名 SHA256自行比对 - 程序无数字签名（开源项目官方构建），多引擎病毒扫描待补扫，扫完回填本节
