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 PromptGit 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 mediumlarge 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!

### 如何在 Windows 系统中部署 Whisper 语音识别模型 #### 准备工作 为了能够在 Windows 上顺利部署 Whisper 模型,需要先安装 Python 和必要的依赖库。建议使用 Anaconda 或 Miniconda 来管理虚拟环境和包。 创建一个新的 Conda 虚拟环境并激活该环境: ```bash conda create -n whisper-env python=3.9 conda activate whisper-env ``` 接着安装 PyTorch 及其他所需软件包。对于 CPU 版本的安装命令如下所示;如果有 GPU,则应选择相应的 CUDA 版本来加速计算[^1]。 ```bash pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cpu pip install git+https://github.com/openai/whisper.git ``` #### 下载预训练好的 Whisper 模型文件 Whisper 提供了几种不同大小的预训练模型可供下载,具体取决于硬件条件和个人需求来挑选合适的版本。通常情况下 `base` 就已经足够满足大多数应用场景的需求了[^2]。 ```python import whisper model = whisper.load_model("base") ``` 这段代码会自动从互联网获取对应的权重参数并将它们缓存到本地磁盘以便后续重复利用而不必每次都重新下载。 #### 实现简单的录音转文字功能 下面给出一段完整的 Python 示例程序,用于读取麦克风输入的声音片段,并将其转换成文本输出显示出来[^3]。 ```python import sounddevice as sd from scipy.io.wavfile import write import numpy as np import whisper def record_audio(filename="output.wav", duration=5, fs=44100): myrecording = sd.rec(int(duration * fs), samplerate=fs, channels=2) sd.wait() # Wait until recording is finished write(filename, fs, myrecording) record_audio() audio_file_path = "output.wav" transcription = model.transcribe(audio_file_path)["text"] print(f"Transcribed Text: {transcription}") ``` 此脚本首先录制五秒钟长的立体声音频保存至当前目录下的 output.wav 文件里,之后再调用之前加载过的 Whisper 对象来进行实际的文字化处理操作最后打印出结果字符串。 #### 测试与优化 完成上述步骤后就可以尝试运行整个流程看看效果如何了。如果一切正常的话应当可以看到控制台窗口中有被识别出来的语句内容呈现出来。当然这只是一个非常基础的例子,在真实项目当中可能还需要考虑更多细节方面的问题比如错误处理机制、性能优化措施等等[^4]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值