docker-whisper

一条命令自建 OpenAI 兼容语音转文字服务，带说话人分离

docker-whisper 是一个把 Whisper 语音识别服务打包成 Docker 镜像的开源项目，目标是让用户在自己的服务器上快速搭建一套兼容 OpenAI 接口的语音转文字服务。它基于 faster-whisper 推理引擎，支持 Whisper 全系列模型，并提供说话人分离（diarization）能力，能区分录音中不同说话人。项目对外暴露与 OpenAI 一致的 transcription 和 translation API，现有调用 OpenAI 语音接口的代码几乎可以无缝迁移。输出格式支持 JSON、SRT、VTT，方便直接用于字幕生成；同时支持 SSE 流式返回，适合实时字幕或边转边显示的场景。它支持 NVIDIA GPU（CUDA）加速和量化，能在消费级显卡上跑较大模型；也提供离线模式，适合内网或隐私敏感环境。镜像覆盖 amd64 和 arm64 多架构，配合 docker-compose 一条命令即可部署，省去手动配置 Python 环境和依赖的麻烦。