访谈、讲座和播客录完以后，经常还需要一份能搜索、能引用、能继续编辑的文字稿。把语音丢给模型并复制结果，只完成了初稿；真正适合交付的服务，还要处理专有名词、时间位置、听不清标记和修改记录。

本文以“二十分钟中文单人访谈整理”为例，说明用开源 Whisper 本地转写，制作逐字校对稿和主题索引的流程。适合愿意做细致审校的内容服务从业者。不承诺收入，不把示例当成实际客户订单；安装命令和交付方案需在自己的环境验证。

一、先把服务范围说清楚

客户可能把逐字稿、整理稿、字幕和摘要都叫“文字稿”，报价前必须拆开问。建议入门套餐只包含一条声音清晰、单人讲话的音频，以及一份校对稿和一份主题索引。

需求单至少记录以下内容：

  • 音频时长、语言、人数、是否存在音乐和交叠说话。
  • 保留口头语还是改成书面表达；是否保留重复和停顿。
  • 人名、机构、产品名、行业词的参考写法。
  • 哪些片段不得对外传播，谁有权批准引用。
  • 交付格式、修改范围、原始音频保存与删除安排。

先获得录音与处理授权，再接收文件。 模型本地运行只是减少一次向远程服务发送音频的环节，不能自动解决录音授权、设备安全和文件备份问题。涉及敏感材料，应先按客户要求决定能否承接，不以“用了 AI”替代保密约定。

先让客户提供一小段代表性样音，约定难度和整理标准。样音也应覆盖实际噪声与术语，不只挑最清楚的开头。多人交叠、远场回声和严重失真，可单独评估或明确拒绝。

二、准备本地转写环境

Whisper 官方仓库提供开源模型及命令行工具，代码和模型权重按仓库说明采用 MIT 许可。本例使用开源本地包，不是收费语音 API，也不需要 API 密钥。

官方 README 提到代码预期兼容 Python 3.8—3.11，并依赖 PyTorch 等组件。为了便于复现，可准备 Python 3.11 独立环境；不把任何更高版本默认视为已验证兼容。先检查已有工具：

py -3.11 --version
ffmpeg -version

FFmpeg 是系统命令行程序，不是随便安装一个同名 Python 包就能替代。在 Windows 上，官方 README 列有 Chocolatey 或 Scoop 的安装方式；选择已经信任并安装的包管理器。例如已装 Scoop 的机器可运行：

scoop install ffmpeg

如果机器没有 Scoop，不要复制这句后继续盲试，先按 FFmpeg 官方下载入口选择适合的发行包并配置 PATH。重新打开终端，再验证版本命令。

创建独立目录和环境：

mkdir interview-demo
cd interview-demo
py -3.11 -m venv .venv
.\.venv\Scripts\python.exe -m pip install -U openai-whisper
.\.venv\Scripts\python.exe -m whisper --help

这条安装命令会获取 Python 依赖，不运行客户音频。若依赖安装失败，先保存错误信息，检查 Python、网络和官方提到的 Rust 相关依赖问题；不要下载安装来历不明的修复脚本。模型首次加载还需要下载权重，因此首次准备阶段并非完全离线。

三、用一分钟样音验证，而不是立即处理全部素材

建立 input、raw、edited、delivery 四个文件夹，将获授权的练习音频命名为 interview.mp3 放入 input。文件名避免真实客户姓名，原件另外只读保存。

以下命令选用多语言 small 模型，在 CPU 上执行，显式关闭半精度，输出带时间位置的 TSV：

.\.venv\Scripts\python.exe -m whisper .\input\interview.mp3 --model small --language Chinese --task transcribe --device cpu --fp16 False --output_format tsv --output_dir .\raw

small 是教学起点，不保证速度或准确率。官方给出不同模型的资源取舍，但实际耗时取决于电脑、音频长度与声音质量。先用短样本记录处理时间、专名错误和漏句，再决定是否换模型或调整服务范围。

中文转写不要选带 .en 后缀的英语专用模型；transcribe 表示按原语言转写，不是翻译。如果需求变成把中文讲话翻成英语，就已超出本套餐，应重新验证模型选择与人工语言审校，尤其不能默认 turbo 适合翻译任务。

TSV 文件包含片段起止位置与文本。当前官方实现的起止数值是毫秒，交付索引可换算成分秒；这些时间只方便定位，不能当成已经逐词精确对齐的字幕成品。

访谈音频从授权接收到本地转写、逐段复听与文字稿交付的流程示意

四、把机器初稿变成可追溯的校对稿

raw 目录保存机器输出，不直接覆盖。复制到 edited，按片段回放，做第一轮“听到什么写什么”的检查。先修数字、人名、否定词和句子遗漏，再处理标点。“不建议使用”和“建议使用”只差一个字，却可能完全改变受访者观点。

听不清的地方写“[听不清，03:18]”，再列入疑问单。不要根据上下文替受访者编出答案。碰到同音专名，优先用客户词表核对；词表仍无法确认，就保留待确认标记。

例子：机器稿写“下一版把三到五个账号放开”。录音无法判断是“三到五个”还是“三十五个”，不能凭业务经验选一个。校对稿写明不确定位置，问题单注明需确认人数。客户给出证据后再修改，并保留版本记录。

第二轮再处理可读性。逐字稿保留原意、必要语气与句序；整理稿才允许删去无意义口头语和重排句子。若客户只买逐字稿，不擅自把语气变成宣传文案。对于“可能”“大概”“计划”等限定词，通常应保留，不能为了简洁改成确定承诺。

五、主题索引可以用 AI 辅助，但必须回听

若客户允许使用文字类助手，可仅提交脱敏后的校对稿，要求它按主题提出索引。没有允许远程处理时，就手工整理，不把“音频本地转写”偷换成“文字可以上传任意平台”。

依据下面已校对的访谈稿，提出最多五个主题索引。
每条写主题、原文时间位置、一句话要点。
不要补充原文没有的结论，不把推测写成事实。
遇到听不清或待确认位置，保留标记，不纳入确定结论。

索引应能指向真实段落，例如“05:20 服务流程：先确认需求，再安排试用”。逐条点回音频核对，不只检查摘要读起来是否通顺。引用金句时保留原话和位置，不能把润色后的语句放进引号冒充逐字引用。

主题索引是导航，不是全文替代。客户以后写文章或做视频，还应回看完整语境，避免把回答的一半拿出来形成相反观点。

校对稿交付包中原稿、疑问单、主题索引与版本说明的关系示意

六、交付、成本和验收怎么落地

一个清晰的交付包可以包含：

  1. 校对稿：段落清楚，关键位置带分秒定位。
  2. 疑问单：逐条列出待确认的专名、数字与模糊语句。
  3. 主题索引：少量有用主题，不堆满自动摘要。
  4. 交付说明：原文件名、版本号、整理口径和待客户确认项。

如果客户需要可导入剪辑软件的 SRT，另做字幕时间轴与断句验收。TSV 的时间位置不意味着已经解决阅读速度、双行长度和画面遮挡，文字稿服务不要无条件附带一个未经检查的字幕文件。

报价可以按音频分钟建立基础范围，再按噪声、术语、讲话人数、整理深度和交期评估。成本至少包含沟通、转写等待、逐段回听、修改和安全存储。开源模型免许可费，不等于人工服务没有成本。 先记录一段样音从接收到交付的实际工时，再讨论能否覆盖成本，不虚构每小时收益。

验收时，数字、姓名、否定词和约定的关键片段应全量检查；其他部分按约定抽检，抽检不能宣称全文零错误。若发现漏句或意思反转，先扩展复核范围，不只修客户指出的一处。

获客展示可用自己的获授权录音制作前后对照：机器初稿、人工修正、主题索引各展示一小段，并说明删改口径。不要用未经允许的客户录音做案例。交付完毕按约定保存或删除素材，后续修改以版本记录为准。

官方资料