想在Dify平台中成功部署Whisper模型以实现高精度的语音转文字功能，其实并不复杂，但有几个关键步骤需要精准把握。一旦配置正确，无论是会议录音、访谈音频还是视频配音，都能自动转换为带有时间戳的结构化文本，省去手动听写的繁琐工作，同时避免云端API的高延迟与不可控费用。

确认Dify版本与环境准备

先别急着动手，第一步需要检查Dify的版本。在控制台右上角“关于”页面核对版本号，必须≥1.7.0——低于这个版本无法支持原生的Audio-to-Text插件，Whisper的相关配置根本无法使用。

同时，ASR模块的权限也要确保已开通。在“团队设置→角色管理”中检查当前账号是否拥有asr:use和model:deploy两个权限。缺少任何一个，后续在模型选择时会发现列表为空。

最后是算力问题。本地部署Whisper-large-v3至少需要8GB显存的GPU（如RTX 3090或A10级别）。如果打算用CPU硬扛，也不是不行，但必须在模型配置里显式指定device=cpu，同时做好心理准备——识别速度会明显下降，实时率通常在0.3x以下，延迟比较显著。

添加Whisper模型为自定义ASR引擎

这里有两个途径可选，具体取决于你的网络环境和性能偏好。

方法一：直接挂载Hugging Face公开模型

进入“设置→模型供应商→添加模型”，按以下字段填写：

• 模型名称：whisper-large-v3-zh
• 模型类型：asr
• 提供商：huggingface
• 模型路径：openai/whisper-large-v3
• 运行时：python3.10
• 框架：transformers

保存后，Dify会自动拉取模型权重并完成环境初始化。首次加载需要4到6分钟，期间服务进程不能中断。

方法二：使用本地量化模型加速推理

如果你已经拥有了量化好的whisper-large-v3-int8.onnx文件，可以将其上传到服务器/opt/dify/models/whisper/目录。然后在“添加模型”表单中选择“本地路径”模式，填入完整路径，并勾选“启用ONNX Runtime加速”。

需要注意：ONNX模型必须与Dify当前Python环境中的onnxruntime版本严格匹配，推荐使用v1.18.0。版本不匹配会导致启动失败，且报错信息比较模糊，排查起来较为棘手。

配置语音转文字工作流

模型配置完成后，接下来就是将其集成到工作流中。

第一步：新建应用时选择“语音处理”模板；如果是在已有应用中进行改造，进入“编排→节点管理”，点击“+ 添加节点”，选择“Audio-to-Text”。

第二步：在节点配置面板中，将“ASR引擎”下拉菜单切换为你刚刚添加的whisper-large-v3-zh模型。

第三步：展开“高级参数”，根据实际需求启用以下几个关键选项：

• enable_punctuation：开启后自动恢复句末标点，对于中文长句而言，识别准确率可提升约12%；
• language：强制指定语言代码（例如zh-CN），防止多语混说时模型误判；
• temperature：设为0.5可以降低重复输出，但注意不要低于0.3，否则容易漏字；
• word_timestamps：勾选后会输出每个词的时间范围，这在生成SRT字幕文件时非常有用。

第四步：连接输入源。支持三种方式——直接拖拽上传MP3/WAV/M4A文件、填写公网可访问的audio_url、或通过SDK传入base64编码的音频流。

测试与验证输出格式

所有配置完成后，就到了验收环节。在“调试与预览”页点击“管理→语音转文字”，上传一段包含清晰人声的30秒中文录音。建议避开背景音乐和多人重叠说话的场景，以免干扰测试结果。

等待状态变为“已完成”，点击结果右侧的“查看原始响应”，确认返回的JSON中是否包含segments数组，并且每个元素都有start、end、text、speaker字段。

如果segments为空或text字段全是乱码，请第一时间检查音频采样率是否为16kHz、是否为单声道——Dify Whisper适配器默认会拒绝44.1kHz的立体声WAV输入，并且往往静默跳过，不会给出明确报错。

一切正常的话，导出TXT时文本会自动合并段落；导出SRT则会按时间戳切分，可直接导入剪映或Premiere，一键生成字幕轨。