【免费下载链接】whisper-tiny.en

项目地址： https://ai.gitcode.com/hf_mirrors/Xenova/whisper-tiny.en

点击查看 免费下载

whisper-tiny.en 是一个专为浏览器设计的轻量级语音转文字（ASR）模型：基于 OpenAI Whisper 最小的英文版本，转换 ONNX 格式后，配合 Transformers.js 即可在前端直接完成语音识别，全程无需服务器。这篇文章带你用 3 分钟，从零搭建第一个浏览器语音转文字应用 🎙️

1 分钟了解：whisper-tiny.en 是什么？

它由两部分组成：

• ONNX 模型权重：存放在 onnx/ 目录，包含 encoder、decoder 及多种量化版本
• 配套配置文件：模型结构、分词器词表、音频预处理参数等

核心参数一眼看懂：

参数	数值	说明
模型规模	tiny	Whisper 家族最小款，encoder + decoder 各仅 4 层
模型维度 d_model	384	见 config.json
输入采样率	16000 Hz	见 preprocessor_config.json
音频分块长度	30 秒	长音频自动切块处理，见 preprocessor_config.json
支持语言	仅英文	is_multilingual: false，见 generation_config.json
许可证	Apache-2.0	可免费用于个人与商业项目

为什么它特别适合浏览器？

• 🌐 纯前端运行：基于 ONNX Runtime Web（WebAssembly / WebGPU 加速），无需部署后端服务
• ⚡ 极速轻量：tiny 是 Whisper 家族参数量最小的版本，低配设备也能流畅跑
• 🔒 隐私友好：音频在用户设备本地处理，敏感语音数据不出浏览器

仓库结构速览：每个文件是做什么的

文件 / 目录	作用
onnx/	ONNX 模型权重，如 encoder_model.onnx、decoder_model.onnx 及各量化版本
config.json	模型结构定义（WhisperForConditionalGeneration）
tokenizer.json / vocab.json	分词器与词表
preprocessor_config.json	音频特征提取参数（80 维 mel 频谱、16kHz）
generation_config.json	文本生成的默认参数
quant_config.json	量化配置
README.md	官方使用说明与完整代码示例

第 2 分钟：安装依赖（1 条命令搞定）

确保环境已安装 Node.js，一条命令安装官方 JS 库（完整说明见 README.md）：

npm i @huggingface/transformers

第 3 分钟：3 行代码跑通第一段语音转文字

创建语音识别 pipeline 并转写一段音频，核心代码如下：

import { pipeline } from '@huggingface/transformers';

const transcriber = await pipeline(
  'automatic-speech-recognition', 'Xenova/whisper-tiny.en'
);
const output = await transcriber('speech.wav');
console.log(output.text);

就这么简单。运行后你会得到音频对应的英文文本，例如对一段英文演讲录音，输出类似：

"And so my fellow Americans, ask not what your country can do for you, ask what you can do for your country."

✅ 恭喜，你的第一个浏览器语音转文字应用已经跑起来了！

💡 小贴士：首次调用会自动下载模型文件并缓存，第二次运行速度会快很多。

进阶：词级时间戳，顺手做个字幕 🎬

想给网页视频加字幕？加一个参数即可拿到每个单词的起止时间：

const output = await transcriber('speech.wav', { return_timestamps: 'word' });

返回结果中包含 chunks 数组，每个元素对应一个单词及其 timestamp 时间区间，例如 { text: 'And', timestamp: [0, 0.78] }，可直接用于生成字幕、高亮播放进度。完整输出格式参考 README.md 中的官方示例。

ONNX 量化版本怎么选？

onnx/ 目录里提供了多种量化版本，命名规律很好认：

文件后缀	精度	适用场景
无后缀 / fp16	16 位浮点	精度最佳，体积稍大
int8 / uint8	8 位量化	通用平衡之选，体积减半
q4 / q4f16 / bnb4	4 位量化	追求极致加载速度的场景
merged	编码器与解码器合并	加载流程更简洁、启动更快

浏览器场景下，int8 通常是速度与精度的平衡点，肉眼几乎感知不到精度损失。

常见问题 FAQ

Q：支持中文识别吗？ A：whisper-tiny.en 是纯英文模型，generation_config.json 中 is_multilingual 为 false。如需中文，请选择 Whisper 的多语言版本。

Q：录音必须是 16kHz 格式吗？ A：模型标准输入为 16kHz（见 preprocessor_config.json），但 Transformers.js 加载音频时会自动处理采样率，你无需手动预处理。

Q：很长的录音会出错吗？ A：不会。音频会按 30 秒一块自动切分处理（见 preprocessor_config.json），长录音直接传入即可。

Q：第一次加载为什么慢？ A：首次需要下载 ONNX 模型权重与词表文件，完成后会缓存，后续启动基本秒开。

总结

• whisper-tiny.en = ONNX 化的 Whisper 最小英文模型 + Transformers.js，是一套开箱即用的浏览器端语音转文字方案
• 3 分钟 3 步走：1 条命令安装 → 创建 pipeline → 调用转写
• 进阶玩法：词级时间戳做字幕；按需挑选 onnx/ 量化版本平衡体积与精度

现在，你的网页已经可以"听懂"用户说话了——加上一个麦克风按钮，语音入口立刻就位 🚀

【免费下载链接】whisper-tiny.en

项目地址： https://ai.gitcode.com/hf_mirrors/Xenova/whisper-tiny.en

点击查看 免费下载