语言识别模型whisper学习笔记

语言识别模型whisper学习笔记

Whisper 是由 OpenAI 于 2022年9月 推出的开源自动语音识别（ASR）系统，旨在实现高精度、多语言的语音转文本及翻译任务。其核心目标是解决传统语音识别模型在噪声环境、口音多样性及多语言场景下的局限性。

一、开源代码库下载

代码库链接：https://github.com/openai/whisper
注：需要科学网络

依次点击进行下载。

下载好将文件夹拖进pycharm打开项目，如下。

但是由于没有项目所需要的环境，需要给根据报错依次安装环境，如上图缺少torch，则打开终端使用conda或者pip进行下载安装。
下载指令可以上pytorch官网查询：https://pytorch.org/get-started/locally/

终端运行以上复制的代码，安装确实的gpu版本pytorch。

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126

发现提示numpy版本不兼容，强制重新安装兼容版本。（）

pip install numpy==1.26.4

再次运行，发现缺少tqdm

安装tqdm

pip install tqdm

再次运行，发现缺少tiktoken

安装tiktoken

pip install tiktoken

再次运行，发现缺少numba

安装numba

pip install numba

二、调用whisper实现语音识别

2.1 python调用

import whisper

model = whisper.load_model("turbo")
result = model.transcribe("zyj.mp3")    # 只需要将此路径更换为你所需要识别的语音文件即可。
print(result["text"])

2.2 命令行调用

whisper zyj.mp3 --language Japanese --model turbo

2.3 结果展示

测试mp3文件，为我录制的一段语音，说的就是“你好你好你好恭喜发财”，成功将语音识别转录成中文。