本地部署Whisper实现语言转文字

文章目录

本地部署Whisper实现语言转文字

1.前置条件

环境windows10 64位

2.安装chocolatey

复制代码
安装chocolatey目的是安装ffpeg

以管理员身份运行PowerShell

粘贴命令

复制代码
Set-ExecutionPolicy Bypass -Scope Process -Force; [System.Net.ServicePointManager]::SecurityProtocol = [System.Net.ServicePointManager]::SecurityProtocol -bor 3072; iex ((New-Object System.Net.WebClient).DownloadString('https://community.chocolatey.org/install.ps1'))

安装成功打入choco

安装文件夹路径

复制代码
C:\ProgramData\chocolatey

3.安装ffmpeg

复制代码
choco install ffmpeg

4.安装whisper

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

安装完成运行

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

安装完成

5.测试用例

直接命令行

复制代码
whisper yoump3.mp3

6.命令行用法

以下命令将使用medium模型转录音频文件中的语音:

复制代码
whisper audio.flac audio.mp3 audio.wav --model medium

默认设置(选择模型small)非常适合转录英语。要转录包含非英语语音的音频文件,您可以使用以下选项指定语言--language

复制代码
whisper japanese.wav --language Japanese

添加--task translate后将把演讲翻译成英文:

复制代码
whisper japanese.wav --language Japanese --task translate

运行以下命令查看所有可用选项:

复制代码
whisper --help

7.本地硬件受限,借用hugging face资源进行转译

进入huggingface网址,往下拉

复制代码
https://huggingface.co/openai/whisper-large-v3

粘贴上述代码

复制代码
import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
from datasets import load_dataset


device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "openai/whisper-large-v3"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    max_new_tokens=128,
    chunk_length_s=30,
    batch_size=16,
    return_timestamps=True,
    torch_dtype=torch_dtype,
    device=device,
)

dataset = load_dataset("distil-whisper/librispeech_long", "clean", split="validation")
sample = dataset[0]["audio"]

result = pipe(sample)
print(result["text"])

修改本地代码,将sample修改为,需要转录的录音,接入代理;

复制代码
import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
from datasets import load_dataset

import os
os.environ['CURL_CA_BUNDLE'] = ''
os.environ["http_proxy"] = "http://127.0.0.1:7890"
os.environ["https_proxy"] = "http://127.0.0.1:7890"

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "openai/whisper-large-v3"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    max_new_tokens=128,
    chunk_length_s=30,
    batch_size=16,
    return_timestamps=True,
    torch_dtype=torch_dtype,
    device=device,
)

dataset = load_dataset("distil-whisper/librispeech_long", "clean", split="validation")
sample = dataset[0]["audio"]

result = pipe("myaudio")
print(result["text"])

借用huggingface的速度,速度取决于网速

相关推荐
阳光普照世界和平几秒前
AI大模型:重塑软件行业的创新引擎与发展新范式
人工智能
俊哥V13 分钟前
每日 AI 研究简报 · 2026-04-02
人工智能·ai
王小义笔记13 分钟前
SFT和RLHF是什么?有什么区别
人工智能·深度学习·机器学习
纤纡.22 分钟前
OpenCV 实现人脸识别:LBPH/Eigen/Fisher 三大算法实战详解
人工智能·opencv·计算机视觉
铮铭25 分钟前
EgoScale: 基于多样化第一人称视角人类数据的灵巧操作规模化
人工智能·机器人·具身智能·vla
木心术126 分钟前
OpenClaw网页前端开发与优化全流程指南
前端·人工智能
大嘴皮猴儿37 分钟前
跨境电商旺季备战指南:如何用跨马翻译快速完成多国语言大促素材
大数据·人工智能·新媒体运营·自动翻译·教育电商
纤纡.1 小时前
OpenCV 实战:基于 Haar 特征的人脸与微笑检测全解析
人工智能·opencv·计算机视觉
百胜软件@百胜软件1 小时前
百胜软件黄飞出席时尚产业生态圈主题沙龙,分享AI在时尚零售企业的应用实践
人工智能·零售
云边云科技_云网融合1 小时前
基于深度学习的设备监控技术:从被动报警到主动预警的革新
网络·人工智能·云计算