配置
Open WebUI 支持本地、浏览器以及远程的语音转文本 (STT) 功能。
云端 / 远程语音转文本提供商
目前支持以下语音转文本 (STT) 提供商：
| 服务 | 是否需要 API Key | 相关指南 |
|---|---|---|
| 本地 Whisper (默认) | ❌ | 内置，参见 环境变量 |
| OpenAI (Whisper API) | ✅ | OpenAI STT 指南 |
| Mistral (Voxtral) | ✅ | Mistral Voxtral 指南 |
| Deepgram | ✅ | — |
| Azure | ✅ | — |
Web API 通过浏览器内置的语音识别提供 STT 服务（无需 API Key，可在用户设置中进行配置）。
配置您的 STT 提供商
配置语音转文本提供商的步骤：
- 导航至管理员设置 (Admin Settings)
- 选择音频 (Audio)
- 输入 API Key 并从下拉菜单中选择一个模型
限制允许的音频 file 后缀名
Open WebUI 在 管理员设置 → 音频 → STT (Admin Settings → Audio → STT) 下面提供了一个 允许的扩展名 (Allowed Extensions) 列表，用于控制上传端点所接受的音频文件扩展名（默认：mp3,wav,m4a,webm,ogg,flac,mp4,mpga,mpeg）。在转录开始前，任何具有其他扩展名的上传都将被拒绝，并返回 400 Invalid audio file extension。
这是在 MIME 类型检查 (AUDIO_STT_SUPPORTED_CONTENT_TYPES) 之外，在服务器端强制执行的。因此，收紧此项配置是以极低成本加强 STT 端点安全性、防范异常文件类型的一种好方法。您可以在启动时设置对应的 AUDIO_STT_ALLOWED_EXTENSIONS 环境变量来初始化此列表，或者在 UI 中将其清空以完全跳过扩展名检查。
用户级设置
除了在管理员面板中配置的实例级设置之外，还有几个用户级别的设置可以提供额外的功能：
- STT 设置 (STT Settings)：包含与语音转文本功能相关的设置。
- 语音转文本引擎 (Speech-to-Text Engine)：决定用于语音识别的引擎（默认或 Web API）。
使用 STT
语音转文本提供了一种极为高效的使用语音“编写” Prompt 的方式，无论是在桌 面端还是移动端设备上，它都能稳定可靠地工作。
若要使用 STT，只需点击麦克风图标：
实时的音频波形图将表明语音已成功捕获：
STT 模式操作
录音开始后，您可以进行以下操作：
- 点击对勾图标以保存录音（如果启用了“完成后自动发送”，它将发送并完成；否则您可以手动发送）。
- 如果您想取消当前录音（例如，您想重新开始一段新的录音），可以点击 “x” 图标以退出录音界面。
故障排除
常见问题
"int8 compute type not supported" 错误
如果您遇到类似 Error transcribing chunk: Requested int8 compute type, but the target device or backend do not support efficient int8 computation 的错误，这通常意味着您的 GPU 不支持所请求的 int8 计算操作。
解决方案：
- 升级到最新版本 — 在最近的更新中，计算类型的持久化配置得到了改进，已解决已知的 CUDA 兼容性问题。
- 切换到标准 Docker 镜像（而不是
:cuda镜像）— 较旧的 GPU（Maxwell 架构，大约 2014-2016 年）可能无法受到现代 CUDA 加速库的支持。 - 使用
WHISPER_COMPUTE_TYPE环境变量更改计算类型：environment: - WHISPER_COMPUTE_TYPE=float16 # 或 float32
对于像 Whisper 这样较小的模型，CPU 模式通常能提供相近的性能，且不会遇到 GPU 兼容性问题。:cuda 镜像主要用于加速 RAG 向量嵌入，对于大多数用户来说，不会显著影响 STT 速度。
麦克风无法工作
- 检查浏览器权限 — 确保您的浏览器拥有麦克风访问权限。
- 使用 HTTPS — 某些浏览器要求必须使用安全连接 (HTTPS) 才能获取麦克风权限。
- 尝试其他浏览器 — Chrome 浏览器通常对 Web Audio API 的支持最好。
识别准确率低
- 显式指定语言：使用
WHISPER_LANGUAGE=zh（使用 ISO 639-1 代码，中文为zh）。 - 切换多语言支持：如果您需要支持英语以外的其他语言，请使用
WHISPER_MULTILINGUAL=true。禁用时（默认），系统仅使用纯英文版本的模型，以便在英语任务中获得更好的表现。 - 使用更大的 Whisper 模型 — 可选：
tiny、base、small、medium、large。 - 模型越大识别越精准，但推理速度也会越慢。
有关更多详细的故障排除步骤，请参阅 音频故障排除指南。