whisper-large-v3在本地电脑的部署与运行（使用AutoDL租赁的资源）

最新推荐文章于 2025-08-31 08:36:24 发布

原创最新推荐文章于 2025-08-31 08:36:24 发布 · 2.1k 阅读

20 ·

CC 4.0 BY-SA版权

文章标签：

#whisper

前言

Whisper-large-v3 是 OpenAI 推出的高性能多语言语音识别模型，基于 Transformer 架构，支持超过 99 种语言的语音到文本转换和翻译，具备出色的准确率和鲁棒性。该模型适用于复杂音频场景，如噪声环境、不同口音和长音频转录，广泛用于字幕生成、语音助手和跨语言沟通等任务。

本文旨在本地电脑环境上实现Whisper-large-v3模型的部署和运行，较为简单

一、AutoDL

首先l浏览器搜索，点开AutoDL官网，AutoDL官网位置
申请/登录账号充好钱，选择自己需要的服务器。
在这里插入图片描述
推荐使用GPU：NVDIA RTX 3080/3090/4090（24GB显存，高性能多核CPU，内存≥32GB）

在这是片描述
可以直接选择“基础镜像”，常用的miniconda等环境都是有的；如果是要用github上的项目，可以在“算法镜像”部分搜索，选择合适的镜像环境。 “我的镜像”适用于之前已经租过AutoDL上的服务器，因为目前那台机器没有空闲GPU了，所以将那台机器上的数据生成自己的镜像，然后就可以选择转移到这

选择好合适的服务器后，可以开始创建镜像：
在这里插入图片描述
我这里选择是pytorch2.0.0，python3.8，cuda11.8的版本，远在whisper-large-v3要求的环境之上

购买完成后，点击右上角控制台，然后点击导航栏的容器实例，就能看到自己已经购买的所有服务了。
在这里插入图片描述
重点留意SSH登录的指令和密码这块，稍后的与vscode远程连接要用到

二、AutoDL与Vscode建立远程连接

首先现在Vscode的扩展商店中下载，安装Remote SSH
在这里插入图片描述
ctrl+shift+p打开命令面板，搜索如下图的内容

点击添加新的SSH主机

然后在搜索框中输入你刚才在AutoDL上购买的服务器的登陆指令，点击回车

这里默认就行，点击回车
Vscode中，右下角会有弹出，点击连接
在这里插入图片描述

在新弹出的窗口中，上方搜索框中输入AutoDL的登录密码，点击回车
也可以在旧窗口中点击在此窗口中连接，然后输入密码，这样就不会有两个窗口了
至此，远程连接成功，我们点击Vscode左侧的资源管理，就能访问远程连接环境的文件了，这里还需要再输入一次密码，然后点击信任此作者，就能到达如图所示的界面，你就可以在终端中进行操作了
在这里插入图片描述
你可以在终端中输入：
python --version
nvcc --version
就能看到基本环境版本了

输入
import torch
print(torch.cuda.is_available()) # 返回 True 表示有可用 GPU
也说明pytorch也安装好了（这个是AutoDL提供给我们的镜像中自动有的，不用手动安装）
在这里插入图片描述

三、下载&运行Whisper-large-v3模型

1，下载模型，在命令行中输入：pip install openai-whisper
2，安装 ffmpeg，ffmpeg工具的主要作用是编码/解码/转码以及媒体格式转换，处理音频用的
sudo apt update
sudo apt install ffmpeg -y
安装后可以进行检验
ffmpeg -version
3，创建一个.py脚本文件，输入以下代码：

import whisper
import torch

# 检查是否有 GPU
device = "cuda" if torch.cuda.is_available() else "cpu"

# 加载 Whisper-large-v3 模型
model = whisper.load_model("large-v3").to(device)

# 指定音频文件路径，写你自己的，如果音频在同级目录下，直接声明即可，如果不在，要写完整的地址
audio_file = "sounds2.mp3"

# 强制设置语言为中文进行转录
result = model.transcribe(audio_file, language="zh", fp16=True if device == "cuda" else False)

# 打印识别结果
print("识别结果:", result["text"])