我做投資筆記和 YouTube 頻道，需要大量把影片、錄音轉成逐字稿。雲端服務很方便，但我更想要離線：檔案不用上傳，敏感內容（例如會議錄音）也不會離開自己的電腦。OpenAI 開源的 Whisper 剛好能做到。

問題是在 Windows 上第一次裝，錯誤訊息常常完全看不出真正原因。以下是我實際踩過的坑。

坑一：錯誤訊息沒提 ffmpeg，但就是缺 ffmpeg

模型載入成功，跑到讀音訊時才噴錯：FileNotFoundError: [WinError 2] 系統找不到指定的檔案。整段訊息沒有出現 ffmpeg 這個字，只能從錯誤停在 whisper/audio.py 那一行推斷。

原因是 Whisper 讀音訊要呼叫 ffmpeg，系統的 PATH 找不到就會這樣。解法是安裝 ffmpeg（例如 winget install Gyan.FFmpeg）並確認它在 PATH 裡，或在程式裡直接指定 ffmpeg 的路徑。

坑二：裝到 CPU 版的 PyTorch，顯卡完全沒用到

執行時一直看到 FP16 is not supported on CPU; using FP32 instead。這個警告本身不影響功能，但它在提醒你：現在是用 CPU 在跑。

我檢查之後發現 PyTorch 版本是 2.7.0+cpu——後綴是 +cpu 就是純 CPU 版；要用 NVIDIA 顯卡，版本號要是 +cu 開頭的那種。

坑三：有顯卡不代表該用顯卡

如果你的顯卡只有 2GB 顯示記憶體，下 --device cuda 不一定會報錯，但可能比 CPU 還慢，甚至跑到一半記憶體不足——這是靜默的效能陷阱。Whisper 官方說明列出的顯示記憶體需求大約是：small 2GB、medium 5GB、large 10GB。2GB 的卡只夠跑最小的幾個模型，顯卡太弱時，乖乖用 CPU 反而比較快。

坑四：路徑尾巴多一個引號

用批次檔讓使用者輸入檔案路徑時，結尾多了一個 "，Whisper 建立輸出資料夾時就失敗，錯誤是 WinError 123 檔案名稱、目錄名稱或磁碟區標籤語法錯誤。拖曳檔案到命令列視窗時特別容易發生。批次檔裡要把路徑頭尾的引號和空白處理乾淨。

坑五：PowerShell 擋下腳本

想用 .ps1 腳本自動化，結果出現「此系統上已停用指令碼執行」。可以只對目前視窗放行：Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass，關掉視窗就恢復，比較不會影響系統整體設定。

坑六：中文出來是簡體

Whisper 辨識中文，輸出常常是簡體字。我的做法是轉完之後用 OpenCC 自動轉成繁體。另外記得明確指定語言（--language Chinese），避免它猜錯；超過一小時的長檔，用 large-v2 這類大模型品質會好很多。

我自己的批次轉檔工具

踩完這些坑之後，我把流程包成一支 Python 小工具：把檔案拖進去就自動轉，一次輸出 SRT、VTT、TXT、Markdown、JSON 等六種格式，打包成 zip。後來陸續加了批次處理、自動轉繁體、避免檔名覆蓋、單一檔案失敗不會中斷整批。

如果你要轉的是會議錄音，也可以直接用 Buzz 這類開源工具：它同樣以 Whisper 為核心，有圖形介面，可以在個人電腦上離線轉錄和翻譯。

判斷「是不是壞了」的參考

社群回報的大致速度：用 large-v2 轉 10 分鐘的音檔，CPU 大約要 12 到 20 分鐘，RTX 3060 這種等級的顯卡大約 1 到 2 分鐘。如果你的速度差很多，先檢查是不是坑二或坑三。這些數字是社群回報，不是嚴格的測試結果。

小結

Whisper 本身很好用，難的是 Windows 上的環境。錯誤訊息常常不會告訴你真正的原因，記住這幾個坑，大概能省下大半天。

資料來源

  • 本人 Whisper 安裝與排錯對話紀錄（2025-06～10）、自製批次轉檔工具的使用說明與更新紀錄
  • OpenAI Whisper、Buzz、OpenCC

封面圖由 AI 生成。