Whisper 开源语音识别工具安装与使用指南

安装 PyTorch 的 CUDA 版本：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117

2. 模型详解

2.1 模型类型

Whisper 提供 5 种预训练模型，按精度和速度排序（从低到高）：

• 多语言支持：large 模型支持 99 种语言，其他模型支持主要语言（如中、英、日、西等）。

2.2 模型下载

• 自动下载：首次运行时会自动下载模型到 ~/.cache/whisper/。
• 手动下载（解决网络问题）：
  1. 从 Hugging Face 仓库下载模型文件（如 medium.pt）。
  2. 将文件放入 ~/.cache/whisper/（Linux/macOS）或 C:\Users\<用户名>\.cache\whisper\（Windows）。

3. 命令行使用

3.1 基础命令

whisper [音频文件路径] --model [模型名] --language [语言代码]

示例：

# 使用中等模型转录英文音频，生成 TXT 和 SRT 文件
whisper lecture.mp3 --model medium --language en --output_format txt,srt

3.2 核心参数

3.3 高级用法

自定义提示词（提升准确性）：

whisper audio.mp3 --initial_prompt "以下是关于量子力学的讲座。"
# 提供上下文提示

仅生成字幕文件：

whisper audio.mp4 --task translate --output_format srt
# 翻译为英文字幕

处理长音频（自动分割）：

whisper long_audio.wav --model large --language en --split_duration 300
# 每 300 秒分割一次

4. Python API 使用

通过 Python 脚本灵活调用 Whisper：

import whisper

# 加载模型
model = whisper.load_model("medium")

# 转录音频
result = model.transcribe("audio.mp3", language="zh", fp16=False)

# 输出结果
print(result["text"])

# 完整文本
for segment in result["segments"]:
    print(f"[{segment['start']}-{segment['end']}s] {segment['text']}")

API 参数

transcribe() 方法支持所有命令行参数：

result = model.transcribe(
    "audio.wav",
    language="en",
    temperature=0.2,
    beam_size=5,
    word_timestamps=True,
    initial_prompt="This is a podcast about climate change."
)

5. 性能优化

5.1 加速技巧

• GPU 加速：确保安装 CUDA 版本的 PyTorch。

批处理（同时处理多个文件）：

whisper audio1.mp3 audio2.wav --model small --output_dir ./outputs/

量化模型（降低内存占用）：

model = whisper.load_model("medium", device="cuda", in_memory=True)

5.2 内存不足处理

• 使用更小的模型（如 base 或 tiny）。
• 添加 --split_duration 参数分割长音频。

6. 常见问题解决

6.1 错误：FileNotFoundError: [Errno 2] No such file or directory: 'ffmpeg'

• 原因：FFmpeg 未正确安装或未添加到 PATH。
• 解决：
  • 重新安装 FFmpeg 并确认命令行中 ffmpeg -version 可执行。
  • Windows 用户需手动添加 FFmpeg 到环境变量。

6.2 错误：ERROR: Could not find model file

• 原因：模型下载失败或路径错误。
• 解决：
  • 手动下载模型并放入 ~/.cache/whisper/。
  • 指定模型路径：

whisper audio.mp3 --model /path/to/custom_model.pt

6.3 识别结果不准确

• 优化方法：
  • 使用更大的模型（如 medium 或 large）。
  • 添加 --initial_prompt 提供上下文关键词。
  • 清理音频背景噪音（使用 Audacity 等工具预处理）。

7. 扩展应用

7.1 实时语音识别

结合麦克风输入库（如 pyaudio）实现实时转录：

import whisper
import pyaudio
import wave

# 录制音频并保存为文件
CHUNK = 1024
FORMAT = pyaudio.paInt16
CHANNELS = 1
RATE = 16000
RECORD_SECONDS = 5

p = pyaudio.PyAudio()
stream = p.open(format=FORMAT, channels=CHANNELS, rate=RATE, input=True, frames_per_buffer=CHUNK)
frames = []
print("Recording...")
for _ in range(0, int(RATE / CHUNK * RECORD_SECONDS)):
    data = stream.read(CHUNK)
    frames.append(data)

stream.stop_stream()
stream.close()
p.terminate()

# 保存为 WAV 文件
with wave.open("temp.wav", "wb") as wf:
    wf.setnchannels(CHANNELS)
    wf.setsampwidth(p.get_sample_size(FORMAT))
    wf.setframerate(RATE)
    wf.writeframes(b''.join(frames))

# 使用 Whisper 转录
model = whisper.load_model("base")
result = model.transcribe("temp.wav")
print(result["text"])

7.2 集成到其他工具

• 生成字幕文件：将 SRT 文件导入视频剪辑软件（如 Premiere、DaVinci Resolve）。

批量处理脚本：

# 遍历目录下所有 MP3 文件
for file in *.mp3; do
    whisper "$file" --model small --output_dir ./transcripts/
done

8. 注意事项

• 音频格式：支持 MP3、WAV、OGG、FLAC 等格式，建议使用 16kHz 单声道音频。
• 硬件要求：
  • large 模型需至少 10GB 内存（GPU 推荐 16GB+ VRAM）。
  • 长音频处理可能需要更多内存。
• 隐私保护：离线运行，无需联网（模型下载后数据不上传）。

通过上述指南，你可以充分利用 Whisper 实现高精度语音识别。如需进一步定制（如微调模型），可参考 官方 GitHub 仓库 和开发者文档。