记录本地部署 Whisper 模型的过程

Whisper 是论文中提出的用于自动语音识别（ASR）和语音翻译先进的模型通过大规模弱监督实现稳健语音识别作者：Alec Radford 等人，来自 OpenAI。Whisper 在 >5M 小时的标记数据上进行了训练，表现出了很强的泛化能力数据集和域。

模型地址： https://huggingface.co/openai/whisper-large-v3-turbo

本文将详细记录如何在本地部署 Whisper 模型，利用 CUDA 提升性能，并通过 Flask 提供一个简洁的 API 来实现语音转录功能。

1. 环境准备

在开始部署 Whisper 模型之前，首先需要准备一些基础环境，确保 GPU 可用并且所有依赖项都已正确安装。

1.1 安装 CUDA 和 GPU 驱动

由于 Whisper 在大规模模型训练和推理过程中对计算资源要求较高，使用 CUDA 和 GPU 可以大大加速模型的加载和推理过程。

安装 NVIDIA GPU 驱动：确保你已经安装了适用于你 GPU 的最新驱动。
安装 CUDA ：Whisper 支持 CUDA 加速，你需要安装正确版本的 CUDA。你可以参考 NVIDIA 官网根据系统类型进行安装。

安装完成后，可以通过以下命令验证 CUDA 是否正常工作：

bash 复制代码

nvcc --version

如果输出显示 CUDA 版本信息，则表明 CUDA 已成功安装。

1.2 创建 Python 虚拟环境

为了避免依赖冲突，我们建议创建一个新的 Python 虚拟环境。可以通过 conda 或 venv 来创建虚拟环境，这里以 conda 为例：

bash 复制代码

conda create -n whisper_cuda_env python=3.9 conda activate whisper_cuda_env

1.3 安装 PyTorch 和 Whisper

接下来，安装 PyTorch 并确保启用了 CUDA 支持。你可以根据你的 CUDA 版本选择正确的 PyTorch 安装命令，以下为常用命令：

bash 复制代码

# 安装 PyTorch，假设 CUDA 版本为 11.3

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113

安装 PyTorch 后，再安装 Whisper 库：

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

完成后，可以通过以下命令验证 Whisper 是否安装成功：

import whisper model = whisper.load_model("base").cuda()

1.4 安装其他依赖

Whisper 依赖一些音频处理库，如 ffmpeg，用于音频文件的加载和预处理。你可以通过以下命令安装它：

# Windows 下安装 
ffmpeg conda install -c conda-forge ffmpeg
 # 或者使用 pip 安装 
pip install ffmpeg-python

确保 ffmpeg 能够正确执行，你可以通过以下命令进行验证：

fmpeg -version

2. 使用 Whisper 进行语音转录

2.1 加载和使用 Whisper 模型

一旦所有依赖安装完成，接下来就可以加载 Whisper 模型并进行音频转录了。以下是加载并使用 Whisper 模型进行音频转录的代码：

python 复制代码

import whisper # 加载模型（使用 GPU） 
model = whisper.load_model("base").cuda() # 转录示例音频 
result = model.transcribe("example.mp3", language="zh") print(result["text"])

2.2 解释转录结果

Whisper 的 transcribe 方法返回一个包含多项信息的字典。主要字段包括：

text: 转录的文本内容。
segments: 音频的分段信息，每个段落包含转录文本、时间戳等信息。

例如，如果 example.mp3 是一段中文音频，返回的结果可能如下所示：

python 复制代码

{ "text": "坐品三号我常常遗憾我家门前那块丑石", "segments": [ { "start": 0.0, "end": 2.56, "text": "坐品三号" }, { "start": 2.56, "end": 7.76, "text": "我常常遗憾我家门前那块丑石" } ] }

2.3 处理转录结果

有时我们只关心转录后的文本内容而不需要详细的段落信息。为了简化响应，可以从字典中提取 text 字段，返回简洁的转录结果。

以下是修改后的代码，简化返回内容，只返回转录的文本：

复制代码

python 复制代码

from flask import Flask, request, jsonify
import whisper

app = Flask(__name__)
model = whisper.load_model("base").cuda()

@app.route("/transcribe", methods=["POST"])
def transcribe():
    audio_file = request.files["file"]
    audio_path = f"/{audio_file.filename}"
    audio_file.save(audio_path)

    # 转录音频
    result = model.transcribe(audio_path, language="zh")

    # 只返回转录的文本部分
    return jsonify({"text": result["text"]})

if __name__ == "__main__":
    app.run(host="0.0.0.0", port=5000)

2.4 使用 curl 测试 API

你可以使用 curl 来发送音频文件并获取转录结果：

bash 复制代码

curl -X POST -F "file=@example.mp3" http://127.0.0.1:5000/transcribe

返回的结果将是一个包含转录文本的简洁 JSON 格式：

{ "text": "坐品三号我常常遗憾我家门前那块丑石" }

2.5 验证 CUDA 加速

Whisper 在启用了 CUDA 的 GPU 上运行时，推理速度会显著加快。你可以通过以下代码来验证 Whisper 是否成功使用了 GPU：

python 复制代码

import torch print(torch.cuda.is_available()) # 输出 True 表示 CUDA 可用

如果返回 True，则表明 GPU 已成功启用。

3. 总结

通过以上步骤，你已经成功地在本地部署了 Whisper 模型，并利用 CUDA 加速推理过程。使用 Flask 构建了一个简单的 API，使得音频文件的转录变得非常方便。整个部署过程包括了环境准备、依赖安装、模型加载、音频处理、API 构建等步骤。

部署 Whisper 模型并不复杂，但需要一定的硬件支持，尤其是在处理大型音频数据时，CUDA 和 GPU 能够提供显著的性能提升。希望本文能够帮助你顺利部署并使用 Whisper 进行语音转录。如果遇到任何问题，欢迎继续提问。

附彩蛋：

一个编写标书的的AI助手：