Whisper 模型跨平台下载与部署指南

内存优化（小内存设备）：

whisper large.mp3 --model tiny --fp16 False # 关闭半精度计算 

CPU/GPU 配置：

# 强制使用 CPU（无 NVIDIA GPU 时）
model = whisper.load_model("base", device="cpu")
# GPU 加速（需安装 CUDA 版 PyTorch）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 

6. 常见问题解决

7. 进阶部署

API 服务化（Flask 示例）：

from flask import Flask, request
import whisper
app = Flask(__name__)
model = whisper.load_model("base")
@app.route('/transcribe', methods=['POST'])
def transcribe():
    audio = request.files['audio']
    result = model.transcribe(audio)
    return {"text": result["text"]}
if __name__ == "__main__":
    app.run(host='0.0.0.0', port=5000)

Docker 部署（全平台通用）：

FROM python:3.10
RUN apt update && apt install -y ffmpeg
RUN pip install openai-whisper
CMD ["whisper", "--help"]

验证安装：终端执行 whisper --version，输出示例：whisper version X.X.X

注意事项

1. 模型大小选择（按需）：
   • tiny (39MB) : 快速转录，精度较低
   • base (74MB) : 平衡选择
   • large (3.1GB): 高精度，需 GPU 支持
2. 首次运行需下载模型，建议使用稳定网络
3. 完整文档参考：OpenAI Whisper GitHub