OpenAI 开源的免费 AI 语音转文字工具 - Whisper，一步一步本地部署运行

Whisper 是 OpenAI 研发的一个通用的语音识别模型，可以把语音转为文本。它在大量多样化的音频数据集上进行训练，同时还是一个多任务模型，可以执行多语言语音识别、语音翻译和语言识别。

一、使用场景

语音 => 文字 是一个非常实用的功能，例如：

• 会议、讲座、法庭、医疗等等场景的记录

• 口述笔记，方便需要频繁记录思路、灵感的人，更快地记录想法

• 智能助手，例如智能音箱、导航等

• 文案提取，看到好的视频，可以把视频中的话转为文本文案

ChatGPT 的手机 APP 可以和我们语音对话聊天，就是使用 Whisper 把我们的语音转为的文本。

所以，Whisper 的强大能力不用多说。

现在市面上语音转文字的产品很多都是收费的，例如讯飞语记等等。

Whisper 是开源免费的，而且效果极佳，如果能在自己的电脑中运行，岂不是美事。

下面就以Windows11为例，介绍一下它的安装运行流程。

二、安装步骤

1）安装 ffmpeg

下载地址：

ffmpeg.org/download.html

安装后，打开cmd命令行，确定可以执行 ffmpeg 命令：

ffmpeg -version

如果无法执行，手动配置一下环境变量PATH。

2）安装 rust

下载地址：

rust-lang.org/tools/install

同样的，安装后需要确定命令行可以执行，测试命令：

rustc --version

如果无法执行，手动配置一下环境变量PATH。

rust 的默认安装位置是 ~/.cargo/bin。

3）安装 Whisper

配置python虚拟环境，因为 Whisper 需要特定版本的 python。

conda create --name whisper_env python=3.9.18
activate whisper_env

安装依赖库：

pip install setuptools-rust
pip install -U openai-whisper

三、运行

命令行运行：

whisper Haul.mp3 --model medium

其中 “Haul.mp3” 是我测试用的音频文件。

“--model medium” 是指定使用 medium 版本的模型（Whisper 有多种模型：tiny、base、small、medium、large，模型大小依次变大）。

第一次运行时，会先下载指定的模型，需要耐心等待一会儿。

模型下载之后，就会开始执行语音识别，输出识别结果。

并且会自动写入文件。

Python代码中运行：

import whisper

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

# 加载音频文件
audio = whisper.load_audio("Haul.mp3")
audio = whisper.pad_or_trim(audio)

# make log-Mel spectrogram and move to the same device as the model
mel = whisper.log_mel_spectrogram(audio).to(model.device)

# detect the spoken language
_, probs = model.detect_language(mel)
print(f"Detected language: {max(probs, key=probs.get)}")

# decode the audio
options = whisper.DecodingOptions()
result = whisper.decode(model, mel, options)

# print the recognized text
print(result.text)

---

怎么样，感觉不错吧，有兴趣的话，快试试吧。

项目地址：

github.com/openai/whisper

#AI 人工智能，#OpenAI，#whisper, #ChatGPT，#语音转文字，#gpt890

信息来源 gpt890.com/article/34