一、Whisper 简介
Whisper 是 OpenAI 研发的自动语音识别（ASR）系统，它具备强大的多语言识别能力，能处理多种不同口音和背景噪音下的语音内容，将其准确地转换为文本。其支持的语言众多，包括但不限于英语、中文、法语、德语等，广泛应用于会议记录、音频字幕制作、语音内容整理等场景。
二、安装环境准备
（一）系统要求
Whisper 可以在多种操作系统上运行，如 Windows、macOS 和 Linux。以下以常见的操作环境为例进行说明。
（二）安装 Python
Whisper 是基于 Python 开发的，所以首先需要安装 Python。建议安装 Python 3.7 及以上版本。可以从 Python 官方网站（www.python.org/downloads/）… Python to PATH”选项，这样可以在命令行中直接使用 Python 命令。
（三）安装 Whisper
打开命令行工具（Windows 可以使用命令提示符或 PowerShell，macOS 和 Linux 可以使用终端），输入以下命令来安装 Whisper：
pip install git+https://github.com/openai/whisper.git
这个命令会从 GitHub 上下载 Whisper 的源代码并进行安装。安装过程可能需要一些时间，取决于网络状况。
三、运行 Whisper 进行语音转文字
（一）准备音频文件
确保你有一个需要进行转录的音频文件，支持的音频格式包括 MP3、WAV、OGG 等。将音频文件放在你方便操作的目录下，例如创建一个名为“audio_files”的文件夹，把音频文件放入其中。
（二）选择模型
Whisper 提供了不同大小和精度的模型，模型越大，识别精度通常越高，但运行所需的计算资源也越多。常见的模型有：
- tiny：体积小，运行速度快，但识别精度相对较低，适合对速度要求较高且对精度要求不是特别苛刻的场景。
- base：在速度和精度之间取得了较好的平衡，是一个比较常用的选择。
- small：精度比 base 更高，但运行速度会稍慢一些。
- medium：识别精度进一步提升，不过需要更多的计算资源。
- large：精度最高，但对硬件要求也最高，运行速度相对较慢。
（三）执行转录命令
在命令行中，使用以下命令来运行 Whisper 进行语音转文字：
whisper /path/to/your/audio_file.mp3 --model base
将 /path/to/your/audio\_file.mp3 替换为你实际的音频文件路径，--model base 指定使用 base 模型。如果你想使用其他模型，只需将 base 替换为相应的模型名称，如 tiny、small 等。
例如，如果你将音频文件 example.mp3 放在了“audio_files”文件夹中，并且当前命令行的工作目录是该文件夹的上级目录，那么命令可以写成：
%% bash
`` whisper audio_files/example.mp3 --model base
（四）查看转录结果
当命令执行完成后，Whisper 会在音频文件所在的目录下生成几个文件：
- 文本文件（.txt）：包含了音频文件的纯文本转录内容。
- SRT 文件（.srt）：这是一个字幕文件，包含了每个句子的时间戳，可用于视频添加字幕。
- VTT 文件（.vtt）：也是一种字幕文件格式，同样包含时间戳信息。
你可以使用文本编辑器打开
.txt文件查看转录的文本内容，也可以使用视频编辑软件导入.srt或.vtt文件为视频添加字幕。
四、在 Python 脚本中使用 Whisper
除了在命令行中使用 Whisper，你还可以在 Python 脚本中调用 Whisper 进行语音转文字。以下是一个简单的 Python 脚本示例：
import whisper
# 加载模型
model = whisper.load_model("base")
# 进行转录
result = model.transcribe("audio_files/example.mp3")
# 打印转录结果
print(result["text"])
将上述代码保存为一个 .py 文件，例如 transcribe.py，然后在命令行中运行：
python transcribe.py
这样就可以在 Python 脚本中实现语音转文字的功能。
五、注意事项
- 硬件要求：如果使用较大的模型（如
medium或large），建议使用配备 GPU 的计算机，以提高运行速度。可以通过安装 CUDA 来支持 GPU 加速。 - 语言设置：Whisper 通常可以自动识别音频中的语言，但如果需要指定语言，可以在命令中添加
--language参数，例如--language Chinese表示指定音频语言为中文。 - 网络问题：在安装 Whisper 或下载模型时，如果遇到网络问题，可以尝试使用代理或更换网络环境。 通过以上步骤，你就可以轻松地使用 Whisper 进行语音转文字，无论是在命令行还是 Python 脚本中都能快速完成音频内容的转录。
