如何在aiogram中用OpenAI Whisper转录Telegram语音消息（无需存盘）

要实现不存磁盘直接转录，核心是让Whisper能正确识别内存中的音频字节流，同时处理好内存回收问题，具体方案如下：

关键原理 #

Whisper并非只能处理磁盘文件，它可以接受io.BytesIO对象，但需要给对象设置正确的文件名（带格式后缀），让模型能识别音频格式；另外要确保文件指针处于起始位置，否则模型会读取空内容。

实现步骤与代码示例 #

1. 安装依赖 #

pip install aiogram openai-whisper

2. 完整代码 #

import io
import whisper
from aiogram import Bot, Dispatcher, types
from aiogram.types import ContentType
from aiogram.utils import executor

# 替换为你的Bot Token
BOT_TOKEN = "YOUR_BOT_TOKEN"
bot = Bot(token=BOT_TOKEN)
dp = Dispatcher(bot)

# 加载Whisper模型，可根据需求选择base/small/medium等规格
model = whisper.load_model("base")

@dp.message_handler(content_types=ContentType.VOICE)
async def transcribe_voice(message: types.Message):
    # 获取语音文件的远程存储路径
    voice_file = await bot.get_file(message.voice.file_id)
    # 下载语音字节数据到内存
    voice_data = await bot.download_file(voice_file.file_path)
    
    # 将字节数据封装为带格式标识的BytesIO对象
    voice_io = io.BytesIO(voice_data.read())
    voice_io.name = "voice.ogg"  # aiogram默认语音格式为OGG
    voice_io.seek(0)  # 将文件指针移到起始位置，确保Whisper能读取完整内容
    
    # 执行语音转录
    result = model.transcribe(voice_io)
    await message.reply(f"转录结果：{result['text']}")

if __name__ == "__main__":
    executor.start_polling(dp, skip_updates=True)

核心细节说明 #

• 设置文件名后缀：必须给BytesIO对象指定带格式的name（如voice.ogg），Whisper会通过后缀判断音频编码格式，否则无法正确解析内容。
• 重置文件指针：调用read()后，BytesIO的指针会停在内容末尾，必须用seek(0)移回开头，否则Whisper读取不到有效数据。
• 内存回收：BytesIO对象在函数执行完毕后，会因为失去引用被Python垃圾回收机制自动清理，不会长期驻留内存。若处理超大音频文件，可在转录完成后手动执行del voice_io, voice_data加速内存释放。

内容的提问来源于stack exchange，提问作者Alex