Whisper on Cloudflare AI：将音频转文字并生成字幕的免费工具

Whisper_Cloudflare 是一个由开发者 thun888 创建的开源项目，托管于 GitHub。它基于 OpenAI 的 Whisper 模型，结合 Cloudflare Workers 的无服务器架构，提供高效的语音转文字功能。用户通过部署单个 worker.js 文件，即可将音频文件转换为文本或生成 SRT 格式的字幕文件。该项目支持多种语言和音频格式，操作简单，适合开发者快速构建语音处理应用。项目完全免费，代码公开，部署无需管理服务器，适合个人或团队处理音频转录和字幕生成需求。

功能列表

• 语音转文字：将音频文件转换为文本，支持多语言识别。
• 字幕生成：生成带时间戳的 SRT 格式字幕文件。
• 支持多种音频格式：兼容 MP3、WAV 等常见音频格式。
• 服务器less部署：通过 Cloudflare Workers 快速部署，仅需 worker.js 文件。
• API 接口：提供 /raw（原始转录数据）和 /srt（字幕文件）两种接口。
• 语音活动检测（VAD）：支持 vad_filter 参数，过滤非语音部分。
• 上下文优化：通过 initial_prompt 和 prefix 参数提升转录准确性。
• 翻译功能：支持将音频内容翻译为指定语言（如英语、中文等）。

使用帮助

部署流程

部署 Whisper_Cloudflare 项目只需将提供的 worker.js 代码复制到 Cloudflare Workers 平台，无需克隆整个 GitHub 仓库。以下是详细步骤：

1. 注册 Cloudflare 账户
   访问 Cloudflare 官网，注册或登录账户。确保已启用 Workers 功能（免费计划即可）。在 Cloudflare 仪表板中，进入“Workers”页面，点击“创建 Worker”。
2. 创建 Worker 并粘贴代码
   • 在 Workers 编辑器中，创建一个新 Worker（默认命名为 worker 或自定义名称）。
   • 将提供的 worker.js 代码复制并粘贴到编辑器中，覆盖默认代码。
   • 保存代码。
3. 安装 Wrangler（可选，用于命令行部署）
   如果希望通过命令行管理 Worker，需安装 Wrangler（Cloudflare Workers 的命令行工具）。确保已安装 Node.js（建议版本 16.17.0 或更高），然后运行：

   npm install -g wrangler
   

4. 配置 Wrangler 和 AI 绑定
   • 运行以下命令登录 Cloudflare：

     wrangler login
     

   • 创建或编辑 wrangler.toml 文件，添加以下配置：

     name = "whisper-cloudflare"
     compatibility_flags = ["nodejs_compat"]
     [ai]
     binding = "AI"
     

   • 如果不使用 Wrangler，可在 Cloudflare 仪表板的 Worker 设置中手动绑定 AI 模型（选择 @cf/openai/whisper-large-v3-turbo）。
5. 部署 Worker
   • 在 Workers 编辑器中，点击“部署”按钮，直接发布代码。
   • 或通过 Wrangler 运行：

     wrangler deploy
     

   • 部署成功后，Cloudflare 会提供一个 Worker URL（例如 https://whispercloudflare.tchepai.com/）。
6. 准备音频文件
   确保音频为 MP3 或 WAV 格式，文件大小不超过 25MB（受 Cloudflare Workers 限制）。音频文件需以二进制形式上传，或通过公开 URL 访问（例如上传至云存储）。

主要功能操作流程

语音转文字

Whisper_Cloudflare 使用 Whisper 模型将音频转换为文本。操作步骤如下：

• 上传音频：通过 POST 请求发送音频二进制数据到 /raw 接口。例如：

  curl -X POST "https://whisper.ohen5pbf93.workers.dev/raw" \
  -H "Content-Type: application/octet-stream" \
  --data-binary "@audio.mp3"
  

• 获取结果：返回 JSON 格式的转录结果，包含文本和时间戳：

  {
  "response": {
  "text": "这是一个测试音频。",
  "segments": [
  {"text": "这是一个", "start": 0.0, "end": 1.2},
  {"text": "测试音频", "start": 1.3, "end": 2.5}
  ]
  }
  }
  

• 处理大文件：若音频超过 25MB，需手动分割为小块（建议每块 1MB），逐块上传并合并结果。

字幕生成

生成 SRT 格式字幕文件，适用于视频或播客。操作步骤：

• 请求字幕：发送音频到 /srt 接口：

  curl -X POST "https://whispercloudflare.tchepai.com/srt" \
  -H "Content-Type: application/octet-stream" \
  --data-binary "@audio.mp3"
  

• 获取结果：返回 SRT 格式文件，例如：

  1
  00:00:00,000 --> 00:00:01,200
  这是一个
  2
  00:00:01,300 --> 00:00:02,500
  测试音频
  

Web 界面使用

worker.js 提供一个内置 HTML 界面（访问 Worker URL 的根路径 /），用户可通过浏览器操作：

• 访问界面：打开 Worker URL（例如 https://whispercloudflare.tchepai.com/）。
• 上传音频：选择 MP3 或 WAV 文件，设置任务类型（转写或翻译）、语言、VAD 过滤等参数。
• 获取结果：提交后，界面显示 SRT 字幕，并支持下载为 .srt 文件。
• 注意：界面支持进度条显示，处理 41 分钟音频约需 1.9 分钟。

API 使用

项目提供两个 API 接口：

• /raw：返回 JSON 格式的原始转录数据，适合开发者进一步处理。
• /srt：返回 SRT 格式字幕文件，直接用于视频编辑。
  示例 JavaScript 调用：

const response = await fetch('https://whispercloudflare.tchepai.com/srt', {
method: 'POST',
headers: { 'Content-Type': 'application/octet-stream' },
body: audioFile // 音频二进制数据
});
const srt = await response.text();
console.log(srt); // 输出 SRT 字幕

上下文优化

使用 initial_prompt 或 prefix 参数提供上下文，提升转录准确性。例如：

curl -X POST "https://whispercloudflare.tchepai.com/raw?initial_prompt=技术会议" \
-H "Content-Type: application/octet-stream" \
--data-binary "@audio.mp3"

语音活动检测（VAD）

启用 VAD 过滤（vad_filter=true）可去除非语音部分：

curl -X POST "https://whispercloudflare.tchepai.com/raw?vad_filter=true" \
-H "Content-Type: application/octet-stream" \
--data-binary "@audio.mp3"

翻译功能

设置 task=translate 和 language 参数，将音频翻译为指定语言。例如：

curl -X POST "https://whispercloudflare.tchepai.com/raw?task=translate&language=en" \
-H "Content-Type: application/octet-stream" \
--data-binary "@audio.mp3"

性能与限制

• 速度：测试显示，处理 41 分钟 39 秒的音频仅需 1.9 分钟。
• 限制：Cloudflare Workers 的资源限制可能导致偶尔失败，建议重试。
• 文件大小：单次请求音频不超过 25MB。

注意事项

• API 安全：在 Cloudflare 仪表板中配置 AI 绑定，勿泄露 API 令牌。
• 错误处理：若请求失败，等待几秒后重试。
• 浏览器兼容性：Web 界面在现代浏览器（如 Chrome、Firefox）上运行良好。

应用场景

1. 会议记录转录
   上传会议音频，生成文本或 SRT 字幕，适合多语言会议整理。
2. 播客字幕生成
   播客制作者生成 SRT 字幕，提升内容可访问性和搜索优化。
3. 教育资源转录
   教师或学生上传课堂录音，生成笔记或字幕，方便复习。
4. 语音应用开发
   开发者集成 API，构建实时字幕或语音助手，适合轻量级项目。

QA

1. 支持哪些音频格式？
   支持 MP3、WAV 等格式，建议使用高质量音频。
2. 如何处理大文件？
   手动分割为 1MB 小块，逐块上传并合并结果。
3. 部署需要付费吗？
   Cloudflare Workers 免费计划支持部署，AI 模型每日有 10,000 免费神经元，超出按每 1000 神经元 $0.011 计费。
4. 如何优化转录？
   使用 initial_prompt、prefix 或 vad_filter 参数提升准确性。
5. 支持哪些语言？
   支持英语、中文、日语等多种语言，具体代码参考 Whisper 文档。