使用开源 Whisper 视频转文字

Whisper 是 OpenAI 开源的语音到文字的模型, 支持多语言,Whisper 模型是基于 Transformer 架构,音频输入、文字输出,具体架构如下图。

Whisper 支持多种参数,模型的文档中说中等尺寸的模型不支持多语言,我测试的结果是支持中文的。

不同模型的下载地址,测试我使用了 Medium 和 Large 尺寸,模型文件已经上传,链接在文末。

_MODELS = {
    "tiny.en": "https://openaipublic.azureedge.net/main/whisper/models/d3dd57d32accea0b295c96e26691aa14d8822fac7d9d27d5dc00b4ca2826dd03/tiny.en.pt",
    "tiny": "https://openaipublic.azureedge.net/main/whisper/models/65147644a518d12f04e32d6f3b26facc3f8dd46e5390956a9424a650c0ce22b9/tiny.pt",
    "base.en": "https://openaipublic.azureedge.net/main/whisper/models/25a8566e1d0c1e2231d1c762132cd20e0f96a85d16145c3a00adf5d1ac670ead/base.en.pt",
    "base": "https://openaipublic.azureedge.net/main/whisper/models/ed3a0b6b1c0edf879ad9b11b1af5a0e6ab5db9205f891f668f8b0e6c6326e34e/base.pt",
    "small.en": "https://openaipublic.azureedge.net/main/whisper/models/f953ad0fd29cacd07d5a9eda5624af0f6bcf2258be67c92b79389873d91e0872/small.en.pt",
    "small": "https://openaipublic.azureedge.net/main/whisper/models/9ecf779972d90ba49c06d968637d720dd632c55bbf19d441fb42bf17a411e794/small.pt",
    "medium.en": "https://openaipublic.azureedge.net/main/whisper/models/d7440d1dc186f76616474e0ff0b3b6b879abc9d1a4926b7adfa41db2d497ab4f/medium.en.pt",
    "medium": "https://openaipublic.azureedge.net/main/whisper/models/345ae4da62f9b3d59415adc60127b97c714f32e89e936602e85993674d08dcb1/medium.pt",
    "large-v1": "https://openaipublic.azureedge.net/main/whisper/models/e4b87e7e0bf463eb8e6956e646f1e277e901512310def2c24bf0e11bd3c28e9a/large-v1.pt",
    "large-v2": "https://openaipublic.azureedge.net/main/whisper/models/81f7c96c852ee8fc832187b0132e569d6c3065a3252ed18e56effd0b6a73e524/large-v2.pt",
    "large-v3": "https://openaipublic.azureedge.net/main/whisper/models/e5b1a55b89c1367dacf97e3e19bfd829a01529dbfdeefa8caeb59b3f1b81dadb/large-v3.pt",
    "large": "https://openaipublic.azureedge.net/main/whisper/models/e5b1a55b89c1367dacf97e3e19bfd829a01529dbfdeefa8caeb59b3f1b81dadb/large-v3.pt",
}

mp3 转文字

本文将从 mp4 中提取音频 mp3,并将 mp3 转为文字,运行环境为 ModelScope 容器镜像

mp4 中提取 mp3

通过 ffmpeg 提取 mp3。

ffmpeg -i ~/a.mp4 ~/a.mp3
whisper

通过 whisper 转换音频至文字

#安装依赖

pip install -U openai-whisper

# 加载模型
import whisper
model = whisper.load_model("medium", download_root="/notebook/whisper")

## 转换音频
result = model.transcribe("a.mp3", language="zh")
print(result["text"])

这里我们看到一明显的问题,第一是繁体、第二是没有标点符号。通过添加提示词来解决,Whisper 的提示词不是起到指令的作用,这个提示词是要告诉模型怎么对音频转换出来的内容做处理,针对上面的两个问题,我们的提示词要指定为简体并添加标点符号。

model.transcribe("a.mp3",  language="zh", initial_prompt="更有网友表示,澳门葡记并未在澳门开设门店,同时其加工生产商为珠海葡记食品有限公司,除了品牌名称外似乎与澳门并无直接关联.跨地区注册、内地贴牌代工的模式几乎与导致小杨哥售后口碑崩盘的美诚月饼一致,引发大量关注.")

提示词,随便引用网上的一段新闻,结果虽然不是那么准确,但是足够用了。

总结

Whisper 音频转文字,meduim 尺寸模型的效果就可以满足大部分需求了,如果音频文件比较大,需要分段处理,例如 10 秒一个分段。

模型文件已经上传 ModelScope,有需要的同学可以下载。

https://www.modelscope.cn/models/model1001/whisper/files

相关推荐
IT古董14 分钟前
【深度学习】常见模型-Transformer模型
人工智能·深度学习·transformer
摸鱼仙人~2 小时前
Attention Free Transformer (AFT)-2020论文笔记
论文阅读·深度学习·transformer
python算法(魔法师版)2 小时前
深度学习深度解析:从基础到前沿
人工智能·深度学习
kakaZhui2 小时前
【llm对话系统】大模型源码分析之 LLaMA 位置编码 RoPE
人工智能·深度学习·chatgpt·aigc·llama
struggle20253 小时前
一个开源 GenBI AI 本地代理(确保本地数据安全),使数据驱动型团队能够与其数据进行互动,生成文本到 SQL、图表、电子表格、报告和 BI
人工智能·深度学习·目标检测·语言模型·自然语言处理·数据挖掘·集成学习
davenian6 小时前
DeepSeek-R1 论文. Reinforcement Learning 通过强化学习激励大型语言模型的推理能力
人工智能·深度学习·语言模型·deepseek
CM莫问7 小时前
什么是门控循环单元?
人工智能·pytorch·python·rnn·深度学习·算法·gru
struggle20258 小时前
2025开源DouyinLiveRecorder全平台直播间录制工具整合包,多直播同时录制、教学直播录制、教学视频推送、简单易用不占内存
图像处理·计算机视觉·开源·音视频·语音识别
kakaZhui10 小时前
【llm对话系统】大模型 Llama 源码分析之 LoRA 微调
pytorch·深度学习·chatgpt·aigc·llama
eso198310 小时前
深度学习模型在汽车自动驾驶领域的应用
深度学习·自动驾驶·汽车