【安装日记】Whisper-OpenAI 开源语音识别工具

文章目录

• **1. 安装 Whisper**
  • **1.1 系统依赖**
  • **1.2 安装 Whisper**
  • **1.3 GPU 加速（可选）**
• **2. 模型详解**
  • **2.1 模型类型**
  • **2.2 模型下载**
• **3. 命令行使用**
  • **3.1 基础命令**
  • **3.2 核心参数**
  • **3.3 高级用法**
• **4. Python API 使用**
  • **API 参数**
• **5. 性能优化**
  • **5.1 加速技巧**
  • **5.2 内存不足处理**
• **6. 常见问题解决**
  • **6.1 错误：`FileNotFoundError: [Errno 2] No such file or directory: 'ffmpeg'`**
  • **6.2 错误：`ERROR: Could not find model file`**
  • **6.3 识别结果不准确**
• **7. 扩展应用**
  • **7.1 实时语音识别**
  • **7.2 集成到其他工具**
• **8. 注意事项**

关于 Whisper（OpenAI 开源语音识别工具）的详细安装与使用指南，涵盖技术细节、参数解释、优化技巧和常见问题解决方案。

1. 安装 Whisper

1.1 系统依赖

• 必须安装 FFmpeg：处理音频/视频编解码。
  • Windows:
    • 安装后需将 ffmpeg 添加到系统环境变量 PATH。

推荐通过 官方二进制包 安装，或使用 Chocolatey：

choco install ffmpeg 

macOS:

# 使用 Homebrew brew install ffmpeg 

Linux:

# Debian/Ubuntusudoapt update &&sudoaptinstall ffmpeg # CentOS/RHELsudo yum install ffmpeg ffmpeg-devel 

1.2 安装 Whisper

• Python 版本要求：建议 Python 3.9 或更高版本。
• 依赖项：自动安装 torch, numpy, tqdm, more_itertools 等。

验证安装：

whisper --version# 输出 Whisper 版本

通过 pip 安装：

pip install-U openai-whisper 

1.3 GPU 加速（可选）

• NVIDIA GPU 用户：
  1. 安装 CUDA Toolkit 11.7+ 和 cuDNN。
• Apple Silicon (M1/M2) 用户：

运行命令时添加 --device mps：

whisper audio.mp3 --device mps 

使用 Metal Performance Shaders (MPS) 加速：

pip install torch torchaudio -U--pre --extra-index-url https://download.pytorch.org/whl/nightly/cpu 

验证 GPU 是否启用：

import torch print(torch.cuda.is_available())# 输出应为 True

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_duration300# 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 _ inrange(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forfilein *.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。