whisper.cpp安装配置

1. 下载代码，代码地址：https://github.com/ggerganov/whisper.cpp
2. 下载模型，现有模型如下，small 模型基本能达到日常的用途，建议下载 small 以上的。下载模型的指令：

./download-ggml-model.sh small

3. 编译，项目根目录执行make指令，得到 main.exe 可执行文件，然后就可以实现录音转文字了。

录音转文字

录音文件只支持16khz的.wav文件。
从视频中以16000的采样率提取音频并保存为 wav 文件的命令：

ffmpeg -i input.mp4 -vn -acodec pcm_s16le -ar 16000 output.wav

录音识别指令：

./main.exe -l zh -m ./models/ggml-small.bin ../dhy.wav

可选参数：
-h, --help：显示帮助信息并退出程序。
-t N, --threads N：设置使用的线程数。
-p N, --processors N：设置使用的处理器数。
-ot N, --offset-t N：设置音频的时间偏移量（以毫秒为单位）。
-on N, --offset-n N：设置段索引的偏移量。
-d N, --duration N：设置要处理的音频长度（以毫秒为单位）。
-mc N, --max-context N：设置存储的文本上下文标记的最大数量。
-ml N, --max-len N：设置段的最大长度（以字符为单位）。
-sow, --split-on-word：指示是在单词上而不是标记上拆分段。
-bo N, --best-of N：设置要保留的最佳候选项数。
-bs N, --beam-size N：设置束搜索的束大小。
-wt N, --word-thold N：设置单词时间戳概率阈值。
-et N, --entropy-thold N：设置解码器失败时的熵阈值。
-lpt N, --logprob-thold N：设置解码器失败时的对数概率阈值。
-su, --speed-up：指示是否通过加速音频来减少精度。
-tr, --translate：指示是否从源语言翻译为英语。
-di, --diarize：指示是否对立体声音频进行人声分离。
-nf, --no-fallback：指示在解码时不使用温度回退。
-otxt, --output-txt：指示是否将结果输出到文本文件中。
-ovtt, --output-vtt：指示是否将结果输出到vtt文件中。
-osrt, --output-srt：指示是否将结果输出到srt文件中。
-olrc, --output-lrc：指示是否将结果输出到lrc文件中。
-owts, --output-words：指示是否输出用于生成卡拉OK视频的脚本。
-fp, --font-path：指定用于卡拉OK视频的等宽字体的路径。
-ocsv, --output-csv：指示是否将结果输出到CSV文件中。
-oj, --output-json：指示是否将结果输出到JSON文件中。
-of FNAME, --output-file FNAME：指定输出文件的路径（不包括文件扩展名）。
-ps, --print-special：指示是否打印特殊标记。
-pc, --print-colors：指示是否打印颜色。
-pp, --print-progress：指示是否打印进度。
-nt, --no-timestamps：指示是否不打印时间戳。
-l LANG, --language LANG：指定语音识别的语言（'auto’表示自动检测）。
-dl, --detect-language：指示是否在自动检测语言后退出程序。
–prompt PROMPT：指定初始提示。
-m FNAME, --model FNAME：指定模型路径。
-f FNAME, --file FNAME：指定输入WAV文件的路径。

实时转录

实时语音转录需要得到 stream 文件。使用make stream命令编译, 发现需要依赖 sdl 库。

> make stream
In file included from examples/common-sdl.cpp:1:
examples/common-sdl.h:3:10: fatal error: SDL.h: No such file or directory
    3 | #include <SDL.h>

建议通过 MSYS2 来安装 SDL2：

pacman -S mingw-w64-x86_64-SDL2

安装完成后make stream可以成功编译，得到 stream.exe 文件。开始测试：

./stream -m ./models/ggml-small.bin -t 8 --step 500 --length 5000

./stream.exe -m ../whisper.cpp/models/ggml-base.bin -t 8 -l zh -kc -f ./output.txt

参数说明：

• -h, --help：显示帮助信息并退出
• -t N, --threads N：设置使用的线程数，N为线程数，默认值为params.n_threads
• –step N：设置音频步长（单位为毫秒）
• –length N：设置音频长度（单位为毫秒）
• –keep N：设置从上一步中保留的音频长度（单位为毫秒）
• -c ID, --capture ID：设置音频捕获设备的ID号
• -mt N, --max-tokens N：设置每个音频块的最大token数
• -ac N, --audio-ctx N：设置语音上下文大小（0表示全部）
• -vth N, --vad-thold N：设置语音活动检测阈值
• -fth N, --freq-thold N：设置高通滤波器截止频率
• -su, --speed-up：启用2倍速播放（牺牲一定准确性）
• -tr, --translate：将源语言翻译成英语
• -nf, --no-fallback：在解码时不使用温度回退
• -ps, --print-special：打印特殊token
• -kc, --keep-context：保持音频块之间的上下文
• -l LANG, --language LANG：设置所使用的语言，LANG是语言的缩写
• -m FNAME, --model FNAME：设置模型文件路径
• -f FNAME, --file FNAME：设置文本输出文件名