在 windows 上部署使用 Whisper 教程

在 Windows 上部署 OpenAI Whisper：详细教程

OpenAI Whisper 是一个功能强大的多语言语音识别模型，能够处理多种音频格式并生成高质量的字幕文件。本文将详细介绍如何在 Windows 系统上部署 Whisper，利用 GPU 加速音频转录，并探讨 Whisper 的基本使用方法和支持的音频格式。

使用体验：直接用cpu（i7-12700）跑small模型，6分钟的音频也大概只要3分钟，除了极个别语速很快的时候的语气词没识别出来，其他地方完全准确。用gpu（3060 laptop）跑small模型，8分钟的音频一分钟以内跑完。因此，对于时长较短的音频，small模型完全够用了

目录

1. 什么是 Whisper？
2. 环境准备
3. 创建虚拟环境并安装 Whisper
4. 使用 Whisper 进行音频转录
5. 使用 GPU 加速 Whisper
6. Whisper 支持的音频格式
7. 常见问题及解决方案

---

1. 什么是 Whisper？

Whisper 是 OpenAI 提供的开源语音识别模型，能够将音频文件转录为文本或字幕文件，支持多种语言和多格式输出。其主要功能包括：

• 自动检测和转录多语言音频。
• 支持生成 .txt, .srt, .vtt 等格式的字幕文件。
• 能够处理嘈杂环境下的音频。
• 通过 GPU 加速，提高转录效率。

---

2. Whisper 支持的音频格式

Whisper 支持多种常见的音频格式，能够处理各种类型的音频文件，包括但不限于：

• MP3 (.mp3)
• WAV (.wav)
• M4A (.m4a)
• FLAC (.flac)
• OGG (.ogg)

---

3. 环境准备

在开始部署 Whisper 之前，请确保你具备以下环境：

• 操作系统：Windows 10 或更高版本
• Python：Python 3.7 及以上版本
• Conda：用于创建和管理虚拟环境（推荐使用 Miniconda）
• NVIDIA GPU（可选）：用于加速音频转录任务

---

4. 创建虚拟环境并安装 Whisper

1. 创建虚拟环境：
   打开 终端（Anaconda Prompt ， Git Bash等，我个人用的是Git Bash），运行以下命令创建并激活虚拟环境：

   conda create --name whisper_env python=3.9
   conda activate whisper_env
   

2. 安装 Whisper：
   在虚拟环境中运行以下命令安装 Whisper：

   pip install git+https://github.com/openai/whisper.git
   

3. 安装 FFmpeg：
   Whisper 依赖 FFmpeg 处理音频文件，使用以下命令安装：
   （一定要记得安装，不然会报错找不到音频文件）

   conda install -c conda-forge ffmpeg
   

4. （可选）安装支持 GPU 的 PyTorch：
   如果你有 NVIDIA GPU 并且想利用 GPU 加速，安装支持 CUDA 的 PyTorch。例如，针对 CUDA 11.8：

   pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
   

---

5. 使用 Whisper 进行音频转录

Whisper 支持多种音频转录模式，可以生成多种格式的字幕文件。以下是一个简单的音频转录命令：

whisper "path/to/your/audiofile.mp3" --model small --output_format srt --output_dir "path/to/output"

• –model small：选择模型大小，模型越大，精度越高，但速度较慢（可选模型：tiny, base, small, medium, large）。
• –output_format srt：指定输出格式为 .srt 字幕文件。
• –output_dir：指定生成文件的保存路径。

如果需要自动检测语言，你可以直接运行命令。否则，也可以手动指定音频的语言：

whisper "path/to/your/audiofile.mp3" --model small --language English

Whisper 具备自动语言检测功能，可以识别音频中的语言并选择适合的模型进行转录。默认情况下，Whisper 使用前 30 秒的音频进行语言检测。

whisper "path/to/audiofile.mp3" --model small

---

6. 使用 GPU 加速 Whisper

如果你有 NVIDIA GPU，并且已安装了 CUDA 和支持 GPU 的 PyTorch，Whisper 会自动使用 GPU。你也可以通过 --device 参数明确指定使用 GPU：

whisper "path/to/your/audiofile.mp3" --model small --output_format srt --output_dir "path/to/output" --device cuda

使用 GPU 加速时，音频处理速度会显著提升，特别是在处理较大的模型如 medium 或 large 时。

---

7. 常见问题及解决方案

1. NumPy 版本兼容性问题

如果你遇到类似 RuntimeError: Numpy is not available 或 NumPy 相关的警告，可以通过降级 NumPy 来解决：
如果用的是Git Bash，则加引号：

pip install "numpy<2.0"

如果用的是 Anaconda Prompt，则不用加引号：

pip install numpy<2.0

2. FileNotFoundError

如果系统提示找不到文件，确保音频文件路径正确。对于 Git Bash 用户，注意文件路径格式应使用正斜杠 /，例如：

whisper "/f/LINSP_podcast/episode.mp3" --model small

如果路径正确还是找不到文件，确保安装了 FFmpeg

3. GPU 不可用

如果你有 NVIDIA GPU，但 PyTorch 无法检测到 GPU，请检查 CUDA 是否安装正确，并使用以下命令验证 GPU 是否可用：

python -c "import torch; print(torch.cuda.is_available())"

4. FFmpeg 问题

如果 FFmpeg 没有安装或无法找到，确保你已经使用 Conda 安装了 FFmpeg：

conda install -c conda-forge ffmpeg

---

总结

通过这篇教程，你已经了解了如何在 Windows 系统上部署 Whisper，创建虚拟环境、安装必要依赖，并利用 GPU 加速音频转录。Whisper 提供了强大的语音识别能力，支持多种音频格式，并且能够生成不同的字幕文件，适合各种语音转录和字幕生成需求。

希望这篇博客对你有所帮助，如果你有任何问题或建议，欢迎在评论区留言！