体验 Whisper ，本地离线部署自己的 ASR 语音识别服务

最新推荐文章于 2025-12-02 01:01:26 发布

原创

最新推荐文章于 2025-12-02 01:01:26 发布 · 7.3k 阅读

34 ·

CC 4.0 BY-SA版权

文章标签：

#whisper #语音识别 #人工智能

需求背景

最近看视频，过几天后经常忘记内容，所以有了把重点内容总结提炼到自己知识库的需求，这涉及到了提取视频中的音频数据、离线语音识别等功能。

提取视频中的音频数据，可以使用格式工厂或 FFmpeg 等工具， FFmpeg 可以使用命令 ffmpeg -i test.mp4 -f mp3 -vn test.mp3 将视频文件转换为 MP3 格式的音频文件，其中，-i test.mp4：-i 参数指定输入文件，这里的输入文件是 test.mp4。-f mp3：-f 参数用于指定输出文件的格式，这里指定为 mp3 格式。-vn：这个参数告诉 FFmpeg 在处理文件时忽略视频流，即不处理视频数据，只处理音频数据。test.mp3：指定了输出文件的名称，即转换后的音频文件将被保存为当前目录下的 test.mp3。

Whisper 是由 OpenAI 创建的开源通用语音识别项目，是一个经过大量的音频数据训练出来的支持多任务处理的语言识别模型。项目的 GitHub 仓库地址是 OpenAI Whisper ，在仓库介绍的 Show and tell 中发现这个项目 whisper-asr-webservice ，它在 whisper 基础上提供了 web 界面，并且可以用 docker 部署。

下面基于开源项目，体验了本地离线部署自己的 ASR 语音识别服务的过程。

镜像构建

克隆 whisper-asr-webservice 仓库到本地，切换到稳定版本，

git clone https://github.com/ahmetoner/whisper-asr-webservice.git
cd whisper-asr-webservice
git checkout v1.3.0

进入仓库目录，分析 Dockerfile.gpu 文件内容，这个 Dockerfile 使用了多阶段构建，

# 第一阶段：构建 FFmpeg
# 使用 Debian bookworm slim 版本作为基础镜像来构建 FFmpeg
FROM debian:bookworm-slim AS ffmpeg
# 安装 FFmpeg 编译所需的依赖包
RUN export DEBIAN_FRONTEND=noninteractive \
    && apt-get -qq update \
    && apt-get -qq install --no-install-recommends \
    build-essential \
    git \
    pkg-config \
    yasm \
    ca-certificates \
    && rm -rf /var/lib/apt/lists/*
# 从 GitHub 克隆特定版本的 FFmpeg 源码
RUN git clone https://github.com/FFmpeg/FFmpeg.git --depth 1 --branch n6.1.1 --single-branch /FFmpeg-6.1.1
# 设置工作目录为 FFmpeg 源代码目录
WORKDIR /FFmpeg-6.1.1
# 配置 FFmpeg 编译选项，禁用不需要的功能，以优化最终构建
RUN PATH="$HOME/bin:$PATH" PKG_CONFIG_PATH="$HOME/ffmpeg_build/lib/pkgconfig" ./configure \
      --prefix="$HOME/ffmpeg_build" \
      --pkg-config-flags="--static" \
      --extra-cflags="-I$HOME/ffmpeg_build/include" \
      --extra-ldflags="-L$HOME/ffmpeg_build/lib" \
      --extra-libs="-lpthread -lm" \
      --ld="g++" \
      --bindir="$HOME/bin" \
      --disable-doc \
      --disable-htmlpages \
      --disable-podpages \
      --disable-txtpages \
      --disable-network \
      --disable-autodetect \
      --disable-hwaccels \
      --disable-ffprobe \
      --disable-ffplay \
      --enable-filter=copy \
      --enable-protocol=file \
      --enable-small && \
    PATH="$HOME/bin:$PATH" make -j$(nproc) && \
    make install && \
    hash -r

# 第二阶段：准备 Swagger UI
# 使用 swagger-ui 镜像作为基础来提供 API 文档界面
FROM swaggerapi/swagger-ui:v5.9.1 AS swagger-ui

# 第三阶段：应用程序与 FFmpeg 集成
# 使用 NVIDIA CUDA 基础镜像，准备 Python 环境
FROM nvidia/cuda:11.8.0-cudnn8-runtime-ubuntu22.04
# 设置 Python 版本和 poetry 虚拟环境路径
ENV PYTHON_VERSION=3.10
ENV POETRY_VENV=/app/.venv
# 安装 Pytho