JasonYeYuhe · Oct 15, 2026
diff --git a/README.md b/README.md
@@ -5,6 +5,11 @@
 [[Model card]](https://github.com/openai/whisper/blob/main/model-card.md)
 [[Colab example]](https://colab.research.google.com/github/openai/whisper/blob/master/notebooks/LibriSpeech.ipynb)
 
+<p align="center">
+  <b>English</b> · <a href="https://github.com/openai/whisper/blob/main/README.zh.md">简体中文</a>
+</p>
+
+
 Whisper is a general-purpose speech recognition model. It is trained on a large dataset of diverse audio and is also a multitasking model that can perform multilingual speech recognition, speech translation, and language identification.
 
 

diff --git a/README.zh.md b/README.zh.md
@@ -0,0 +1,168 @@
+# Whisper
+
+[[博客 (Blog)]](https://openai.com/blog/whisper)
+[[论文 (Paper)]](https://arxiv.org/abs/2212.04356)
+[[模型卡片 (Model card)]](https://github.com/openai/whisper/blob/main/model-card.md)
+[[Colab 示例]](https://colab.research.google.com/github/openai/whisper/blob/master/notebooks/LibriSpeech.ipynb)
+
+<p align="center">
+  <a href="README.md">English</a> · <b>简体中文</b>
+</p>
+
+Whisper 是一个通用的语音识别（ASR）模型。它在包含多样化音频的大规模数据集上训练而成，同时也是一个多任务模型，能够执行多语言语音识别、语音翻译以及语种识别。
+
+
+## 架构与方法 (Approach)
+
+![Approach](https://raw.githubusercontent.com/openai/whisper/main/approach.png)
+
+模型采用标准的 Transformer 序列到序列（sequence-to-sequence）架构，并在多种语音处理任务上联合训练，涵盖多语言语音识别、语音翻译、口语语种识别以及语音活动检测（VAD）。这些任务在解码端被统一表征为待预测的 Token 序列，从而让单个模型即可替代传统语音处理流程中的多个复杂阶段。多任务训练格式使用了一组特殊 Token（Special Tokens），作为任务指示符或分类目标。
+
+
+## 环境配置与安装 (Setup)
+
+我们使用 Python 3.9.9 和 [PyTorch](https://pytorch.org/) 1.10.1 训练并测试了模型，但该代码库预计可兼容 Python 3.8-3.11 以及最新的 PyTorch 版本。代码库还依赖若干 Python 包，尤其是 [OpenAI 的 tiktoken](https://github.com/openai/tiktoken) 提供的快速分词器实现。您可以通过以下命令下载并安装（或更新至）Whisper 的最新发布版本：
+
+    pip install -U openai-whisper
+
+或者，您也可以运行以下命令直接拉取并安装本仓库的最新 Commit 及其 Python 依赖：
+
+    pip install git+https://github.com/openai/whisper.git
+
+如需将软件包更新至本仓库的最新版本，请运行：
+
+    pip install --upgrade --no-deps --force-reinstall git+https://github.com/openai/whisper.git
+
+此外，系统还需要安装命令行工具 [`ffmpeg`](https://ffmpeg.org/)，大多数包管理器均可直接安装：
+
+```bash
+# Ubuntu 或 Debian
+sudo apt update && sudo apt install ffmpeg
+
+# Arch Linux
+sudo pacman -S ffmpeg
+
+# MacOS（通过 Homebrew https://brew.sh/）
+brew install ffmpeg
+
+# Windows（通过 Chocolatey https://chocolatey.org/）
+choco install ffmpeg
+
+# Windows（通过 Scoop https://scoop.sh/）
+scoop install ffmpeg
+```
+
+若 [tiktoken](https://github.com/openai/tiktoken) 未针对您的操作系统平台提供预构建的 wheel 包，您可能还需要安装 [`rust`](http://rust-lang.org)。若在执行上述 `pip install` 命令时遇到安装错误，请按照 [Rust 入门指南](https://www.rust-lang.org/learn/get-started) 安装 Rust 开发环境。此外，您可能需要配置 `PATH` 环境变量，例如 `export PATH="$HOME/.cargo/bin:$PATH"`。若安装报错提示 `No module named 'setuptools_rust'`，则需要手动安装 `setuptools_rust`，例如运行：
+
+```bash
+pip install setuptools-rust
+```
+
+
+## 支持的模型与语种 (Available models and languages)
+
+Whisper 提供六种模型尺寸，其中四种拥有纯英文专用版本，供用户在推理速度与识别精度之间进行权衡。
+下表列出了可用模型的名称、近似显存需求以及相对于 `large` 模型的推理速度。
+下表中的相对速度是在 A100 GPU 上转录英语语音时测得的，在实际应用中，实际速度可能会因语种、语速以及具体运行硬件等诸多因素而有明显差异。
+
+| 模型尺寸 (Size) | 参数量 (Parameters) | 纯英文模型 (English-only) | 多语言模型 (Multilingual) | 所需显存 (VRAM) | 相对速度 (Relative speed) |
+|:--------------:|:------------------:|:------------------------:|:-----------------------:|:--------------:|:------------------------:|
+|      tiny      |        39 M        |        `tiny.en`         |         `tiny`          |     ~1 GB      |           ~10x           |
+|      base      |        74 M        |        `base.en`         |         `base`          |     ~1 GB      |           ~7x            |
+|     small      |       244 M        |        `small.en`        |         `small`         |     ~2 GB      |           ~4x            |
+|     medium     |       769 M        |       `medium.en`        |        `medium`         |     ~5 GB      |           ~2x            |
+|     large      |       1550 M       |           N/A            |         `large`         |     ~10 GB     |            1x            |
+|     turbo      |       809 M        |           N/A            |         `turbo`         |     ~6 GB      |           ~8x            |
+
+针对纯英语应用，带 `.en` 后缀的专属模型通常表现更佳，尤其是 `tiny.en` 与 `base.en` 模型。我们观察到，对于 `small.en` 与 `medium.en` 模型，这种性能差异会变得不那么显著。
+此外，`turbo` 模型是基于 `large-v3` 深度优化的版本，在几乎不损失识别精度的前提下提供了显著更快的转录速度。
+
+Whisper 的性能表现因语种不同而有较大差异。下图展示了基于 Common Voice 15 和 Fleurs 数据集评估的 `large-v3` 和 `large-v2` 模型按语种细分的性能指标，分别采用字词错误率（WER）或字符错误率（CER，以*斜体*表示）。更多模型与数据集的 WER/CER 指标详见[原论文](https://arxiv.org/abs/2212.04356)附录 D.1、D.2 和 D.4，翻译任务的 BLEU 分数详见附录 D.3。
+
+![WER breakdown by language](https://github.com/openai/whisper/assets/266841/f4619d66-1058-4005-8f67-a9d811b77c62)
+
+## 命令行使用指南 (Command-line usage)
+
+以下命令将使用 `turbo` 模型转录音频文件中的语音：
+
+```bash
+whisper audio.flac audio.mp3 audio.wav --model turbo
+```
+
+默认设置（自动选用 `turbo` 模型）在转录英语时效果极佳。然而，**`turbo` 模型未针对翻译任务进行训练**。如果您需要**将非英语语音翻译为英语文本**，请选用**多语言模型**（`tiny`、`base`、`small`、`medium`、`large`），而不是 `turbo`。
+
+例如，若要转录包含非英语语音的音频文件，您可以指定目标语种：
+
+```bash
+whisper japanese.wav --language Japanese
+```
+
+若要将语音**翻译**为英语，请使用：
+
+```bash
+whisper japanese.wav --model medium --language Japanese --task translate
+```
+
+> **注意：** 即使指定了 `--task translate`，`turbo` 模型仍会返回原语种文本。如需获得最佳翻译效果，请使用 `medium` 或 `large` 模型。
+
+运行以下命令可查看所有支持的命令行参数选项：
+
+```bash
+whisper --help
+```
+
+所有支持的完整语种列表请参阅 [tokenizer.py](https://github.com/openai/whisper/blob/main/whisper/tokenizer.py)。
+
+
+## Python 编程接口 (Python usage)
+
+在 Python 代码中同样可以便捷地执行语音转录：
+
+```python
+import whisper
+
+model = whisper.load_model("turbo")
+result = model.transcribe("audio.mp3")
+print(result["text"])
+```
+
+在底层实现中，`transcribe()` 方法会读取完整音频文件，并采用 30 秒滑动窗口切分处理音频，对每个时间窗口执行自回归（autoregressive）序列到序列预测。
+
+以下示例演示了如何使用 `whisper.detect_language()` 和 `whisper.decode()`，这两个接口提供了对模型的更底层访问控制：
+
+```python
+import whisper
+
+model = whisper.load_model("turbo")
+
+# 加载音频并填充/截断至标准的 30 秒长度
+audio = whisper.load_audio("audio.mp3")
+audio = whisper.pad_or_trim(audio)
+
+# 计算 Log-Mel 声学梅尔频谱图，并移动到与模型相同的计算设备上
+mel = whisper.log_mel_spectrogram(audio, n_mels=model.dims.n_mels).to(model.device)
+
+# 检测音频所使用的语种
+_, probs = model.detect_language(mel)
+print(f"检测到的语种: {max(probs, key=probs.get)}")
+
+# 对音频执行解码
+options = whisper.DecodingOptions()
+result = whisper.decode(model, mel, options)
+
+# 打印识别出的文本内容
+print(result.text)
+```
+
+## 更多示例 (More examples)
+
+欢迎访问 GitHub Discussions 中的 [🙌 Show and tell](https://github.com/openai/whisper/discussions/categories/show-and-tell) 交流板块，分享更多 Whisper 的实战用例以及第三方扩展工具（例如 Web 演示应用、与其他工具的集成套件、跨平台移植方案等）。
+
+
+## 开源许可证 (License)
+
+Whisper 的代码与模型权重均在 MIT License 下开源发布。详情请参阅 [LICENSE](https://github.com/openai/whisper/blob/main/LICENSE)。
+
+---
+
+> 💡 **文档维护说明**：本中文文档由社区志愿者（@JasonYeYuhe）翻译维护，最后同步更新于 2026年10月15日。如发现内容与官方英文原版存在差异或新特性滞后，欢迎提交 PR 共同完善！