whisper-playground
Whisper Playground 是一个帮助开发者快速构建实时语音转文字（Speech-to-Text）网页应用的开源项目。它基于 OpenAI 强大的 Whisper 模型，旨在解决传统语音识别开发中环境配置复杂、实时性差以及难以区分说话人的痛点，让用户能轻松实现支持 99 种语言的即时转录功能。
该项目特别适合前端工程师、AI 应用开发者以及希望快速验证语音交互原型的科研人员使用。通过整合 faster-whisper、Diart 和 Pyannote 等先进库，Whisper Playground 不仅大幅提升了转录速度，还具备了精准的“说话人日记”（Speaker Diarization）能力，即能自动识别并区分不同发言者。
在技术实现上，它提供了灵活的后端与 React 前端架构，支持从"tiny"到"large-v2"多种模型尺寸的自由切换。用户可根据需求选择“实时模式”进行低延迟对话转录，或选择“顺序模式”以获取更准确的长文本上下文分析。无论是制作会议记录工具、实时字幕系统还是多语言语音助手，Whisper Playground 都提供了一套开箱即用的高效解决方案，让复杂的语音 AI 应用开发变得简单可控。
使用场景
一家跨国用户研究团队正在对来自不同国家的受访者进行远程深度访谈，需要实时将多语言对话转化为带说话人区分的高质量文字记录。
没有 whisper-playground 时
- 多语言支持困难：面对 99 种语言的受访者，团队需为每种语言单独配置不同的语音识别引擎，切换成本极高且容易出错。
- 无法区分说话人：原始录音转写后是一整段混杂文本，后期必须人工反复听音来标记“谁说了什么”，整理一份 1 小时访谈需耗费数小时。
- 实时性缺失：传统方案只能上传完整音频文件后等待批量处理，研究员无法在访谈进行中实时捕捉关键信息或调整提问策略。
- 部署门槛高：整合 Whisper 模型、说话人日志（Diarization）和前端界面需要深厚的全栈开发能力，非技术背景的研究者难以独立搭建。
使用 whisper-playground 后
- 一键多语言适配：利用内置的 faster-whisper 和 Diart，研究员可在界面下拉菜单直接切换语言，瞬间支持全球受访者的母语转录。
- 自动说话人分离：集成 Pyannote 模型，系统能自动识别并标记不同说话人（如“说话人 A"、“说话人 B"），生成的对话记录结构清晰，无需人工二次分拣。
- 真正的实时流转：选择"real-time"模式后，语音随说随转，研究员可在大屏上同步看到逐字稿，及时捕捉稍纵即逝的用户洞察。
- 低代码快速落地：通过简单的脚本安装和配置，团队在半小时内即可在本地部署一套完整的 Web 应用，无需从头编写前后端代码。
whisper-playground 将复杂的语音识别与说话人分离技术封装为开箱即用的实时应用，让多语言用户研究从“事后艰难整理”转变为“即时精准洞察”。
运行环境要求
- macOS
- Linux
- Windows
- 未明确说明（依赖 faster-whisper，通常推荐 NVIDIA GPU 以加速，但支持 CPU 运行
- 具体显存取决于选择的模型大小，large-v2 建议 8GB+）
未说明（建议 16GB+ 以运行大型模型和实时处理）
快速开始
关注人工智能最新动态https://github.com/ethanzrd/whisper-playground/assets/79014814/44a9bcf0-e374-4c71-8189-1d99824fbdc5
设置
- 确保您的设备上已安装
Conda和Yarn - 克隆或分叉此仓库
- 安装后端和前端环境：
sh install_playground.sh - 检查
config.py文件，确保转录设备和计算类型与您的配置匹配。同时检查config.js文件，确认其与后端配置一致，并且后端地址正确。 - 运行后端：
cd backend && python server.py - 在另一个终端中运行 React 前端：
cd interface && yarn start
访问 Pyannote 模型
本仓库使用基于 pyannote.audio 模型的库，这些模型存储在 Hugging Face Hub 中。在使用它们之前，您必须接受其使用条款。 注意：您需要拥有 Hugging Face 账户才能使用 pyannote。
- 接受
pyannote/segmentation模型的使用条款 - 接受
pyannote/embedding模型的使用条款 - 接受
pyannote/speaker-diarization模型的使用条款 - 安装 huggingface-cli 并使用您的用户访问令牌登录（可在“设置”->“访问令牌”中找到）
参数
- 模型大小：选择从 tiny 到 large-v2 的不同模型尺寸。
- 语言：选择您将使用的语言。
- 转录超时时间：设置应用程序在转录当前音频数据之前等待的秒数。
- 束宽：调整生成并考虑的转录数量，这会影响准确性和转录生成时间。
- 转录方式：选择“实时”以进行实时说话人分离和转录，或选择“顺序”以获取更具上下文信息的定期转录。
故障排除
- 在 macOS 上，如果构建 safetensors 的 wheel 失败，请安装 Rust：
brew install rust，然后重试。
已知问题
本仓库尚未针对所有语言进行全面测试；如果您遇到任何问题，请提交 issue。
许可证
本仓库以及 Whisper 的代码和模型权重均采用 MIT 许可证发布。
版本历史
v1.0.12023/08/17v1.0.02023/08/14常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。