开源免费离线语音识别神器whisper如何安装

whisper介绍

Open AI在2022年9月21日开源了号称其英文语音辨识能力已达到人类水准的Whisper神经网络，且它亦支持其它98种语言的自动语音辨识。 Whisper系统所提供的自动语音辨识（Automatic Speech Recognition，ASR）模型是被训练来运行语音辨识与翻译任务的，它们能将各种语言的语音变成文本，也能将这些文本翻译成英文。

whisper的日常用途

whisper的核心功能语音识别，对于学生党和工作党来说，可以帮助我们更快捷的将会议、讲座、课堂录音整理成文字稿；对于影视爱好者，可以将无字幕的资源自动生成字幕，不用再苦苦等待各大字幕组的字幕资源；对于外语口语学习者，使用whisper翻译你的发音练习录音，可以很好的检验你的口语发音水平。

当然，我们知道一些商业公司提供语音识别服务，但是基本都是联网运行，个人隐私安全总是有隐患，而whisper完全不同，whisper完全在本地运行，无需联网，充分保障了个人隐私，且whisper识别准确率相当高。拿我自己录的一段音频举例，5min长度400多字，使用whisper的medium模式识别，只错了两个英文单词，那两个英文单词还是因为发音问题识别错误。

本文目的

网络上有些教程只展示了whisper使用的效果，没有介绍怎么安装，为避免大家在安装上踩坑，同时也为了避免自己以后万一哪天电脑崩溃需要重装whisper的时候再踩坑，我在这里记录下安装方法。

系统环境

官方说他们使用的是Python 3.9.9 and PyTorch 1.10.1来训练和检验的程序，但预计兼容python 3.7以后的版本和pytorch近期更新版本。 大家在安装whisper的时候请尽量保证python版本与官方一致或更新版本，或者至少是3.7版本以后，这样可以避免一些版本不同导致的莫名奇妙的错误。 本文测试系统为windows11 64位、python版本3.9.13和windows10 64位、python3.7.5版本.

安装步骤

whisper的安装不是简简单单一句命令

pip install whisper

就完事，它还需要一些依赖。比如ffmpeg、pytorch等。本文没涉及python的安装，默认读者是已经安装好python的，如果你不会安装python的话，建议去视频平台搜索安装教程，安装好后再来进行下面的步骤。

步骤1.下载ffmpeg并添加环境变量

首先我们下载ffmpeg.exe。下载地址是

• https://github.com/BtbN/FFmpeg-Builds/releases

找到“ffmpeg-master-latest-win64-gpl.zip”版本下载。

解压后，找到bin文件夹下的“ffmpeg.exe”，将它复制到一个文件夹中，假设这个文件夹的路径是"D:\software\ffmpeg"，如下图

然后将"D:/software/ffmpeg"添加到系统环境变量。

添加方法：

键盘win+r，调出运行窗口

输入Sysdm.cpl后，点击确定。弹出系统属性窗口，先后点击高级、环境变量。

弹出新窗口后，双击Path

在空白行添加刚刚ffmpeg.exe所在的路径，点击确定。

至此，ffmpeg设置完成。

步骤2.下载git并添加环境变量

• https://git-scm.com/download/win

官方网站下载git安装包，安装过程中的选项全都默认，一直点next到安装完成。 打开命令行窗口，输入git，回车，如果命令成功运行，如下图所示，则git的安装到此结束，可以进行下一步pytorch的安装。

如果在命令行输入git并回车后，命令没有成功运行，返回的结果如下：

“git”不是内部或外部命令，也不是可运行的程序或批处理文件

则需要将git添加到环境变量中。

具体操作步骤如下：

使用“everything”搜索git.exe,找到它位于我电脑上的路径是“C:\Program Files\Git\bin”，如下图。

将其添加到环境变量，如下图。

步骤3.pytorch的安装

这里我们使用pip安装。

打开pytorch.org,下拉页面。

按照下图选择要安装的版本。我选择的是稳定版，windows系统，pip安装方式，python语言、cpu版本的软件。

选择好后上图中框选的那行代码就是使用pip安装pytorch的命令。 在命令行界面运行

pip3 install torch torchvision torchaudio

安装pytorch，安装好后这一步也就完成了。

补充说明： 上图中CUDA 11.6和CUDA 11.7都是gpu版本的软件，我一开始下载的也是gpu版本的，但是因为我的电脑显卡的显存比较低，运行whisper模型的时候大模型运行不了。下图是whisper官方给出的运行模型所需显存。

我的显存是4GB，一旦使用whisper运行small模式以上的模型就会报显存不足的错误。为了能运行更大的模型以保证语音识别较高的准确率，我最终只能选择安装cpu版本。

步骤4.whisper的安装

以上步骤都完成后。 按照官方文档，先运行

pip install git+https://github.com/openai/whisper.git

然后再运行

pip install --upgrade --no-deps --force-reinstall git+https://github.com/openai/whisper.git

完成whisper的安装。

whisper的简单使用

最基本的语音识别

我们准备一段音频，使用whisper将其转换成文字。 以此音频为例：

• https://wwvx.lanzoul.com/i2lvw0jrippa

在音频所在文件夹中右键打开cmd窗口。 （如果是win10的话就在文件夹的空白处按住shift，然后鼠标右键单击，打开powershell窗口）

输入whisper audio.mp3，回车运行。

在命令行窗口中显示的是转写结果，同时在当前文件夹下生成三个字幕文件。以下是三种格式的对比。

更换转写模型

以上whisper audio.mp3的命令形式是最简单的一种，它默认使用的是small模式的模型转写，我们还可以使用更高等级的模型来提高正确率。 比如

whisper audio.mp3 --model medium

上图是使用small模型和medium模型的对比，medium模型耗费时间更长，但也更精准。一般而言，综合权衡速度与精准度，选择small也够用了，如果你对语言识别的精准度高可以使用medium，medium的精准度已经相当高了，如我文章开头所说，我用medium模式识别了我读的一段5min的音频，400多字。正确率基本百分百，只错了2个英文单词，还是因为我发音不准，尴尬。

当然还有其他的模型可供选择，可以在命令行运行whisper --help查看帮助。 有以下11种模式可供选择。

[--model {tiny.en,tiny,base.en,base,small.en,small,medium.en,medium,large-v1,large-v2,large}]

结语

本文简单介绍了whisper的用途、在windows系统下安装部署whisper的方法以及whisper的简单用法。

关于whisper的使用部分仅介绍了命令行模式的使用方法，如果你会使用python，也可以使用以下代码来运行whisper。

import whisper
model = whisper.load_model("base")
result = model.transcribe("audio.mp3")
print(result["text"])

了解更多请参考官方文档。

• https://github.com/openai/whisper

或者如果你想要在网页上运行whisper，可以安装Whisper Webui。 可以参考：

• https://www.bilibili.com/read/cv19254244

觉得本文有帮助的小伙伴，点个赞再走呗~

如果你想要了解关于智能工具类的内容，可以查看 智汇宝库，这是一个提供智能工具的网站。
在这你可以找到各种智能工具的相关信息，了解智能工具的用法以及最新动态。