使用 Pixi 配置 Whisper 环境，实现采用本地大模型读取视频字幕

本文将带你彻底摆脱臃肿的传统 Conda 环境，利用 Pixi 的声明式配置，打造全隔离、确定性的 Whisper 运行环境。即使在老旧独显或纯 CPU 笔记本等过时硬件上，也能一键搞定兼顾高性能与极致纯净的自动化工作流。

第一步：前置准备与环境清理

在开始前，我们需要确保清理干净旧环境，补齐底层运行库，并全局安装 Pixi 工具。

1.1 彻底卸载旧的 miniconda / mamba / miniforge

如果你还没有安装过 Conda 体系，可以跳过这一步。为了避免全局环境变量干扰 Pixi 的底层逻辑，建议彻底清理：

常规卸载：在 Windows 的"添加或删除程序"中卸载 miniconda / mamba / miniforge。
手动清理残留 ：按下 Win + R 输入 explorer 打开文件资源管理器。直接在地址栏输入并跳转到以下路径并彻底删除：
- %USERPROFILE%.conda
- %USERPROFILE%.mamba
- %USERPROFILE%\anaconda3（若有）
清理环境变量 ：右键"此电脑" -> 属性 -> 高级系统设置 -> 环境变量，检查系统和用户的 Path 中是否还有旧的 Conda 路径，如有则悉数删除。

⚠️ 【重要避坑提示：别慌！关于误删 .dll 文件的解决办法】 在手动清理残留文件夹或大面积卸载旧的 Python 环境时，Windows 系统有时会产生连锁反应，导致某些其他软件或系统共用的底层 .dll 动态链接库文件被误连带删除（常见表现为：此后打开某些软件时提示"找不到 msvcp140.dll"或"由于找不到 VCRUNTIME140_1.dll，无法继续执行代码"）。

一键修复方案 ：如果出现上述报错，请直接前往微软官方支持页面，下载并安装最新的 Microsoft Visual C++ Redistributable 多合一集成安装包。为了防止某些 32 位老旧组件报错，建议将以下两个版本都打包安装：

🔗 64位系统/应用直链 ：点击下载 X64 最新版 C++ 运行库

🔗 32位系统/应用直链 ：点击下载 X86 最新版 C++ 运行库安装完成后重启电脑，所有丢失的底层 .dll 异常即可完美恢复。

1.2 在 PowerShell 中查看 NVIDIA 显卡参数（决定运行策略）

打开 PowerShell，执行以下命令查看你的 GPU 状态：

powershell 复制代码

nvidia-smi

我的显示如下：

powershell 复制代码

+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 572.70                 Driver Version: 572.70         CUDA Version: 12.8     |
|-----------------------------------------+------------------------+----------------------+
| GPU  Name                  Driver-Model | Bus-Id          Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |           Memory-Usage | GPU-Util  Compute M. |
|                                         |                        |               MIG M. |
|=========================================+========================+======================|
|   0  NVIDIA GeForce GTX 950M      WDDM  |   00000000:01:00.0 Off |                  N/A |
| N/A    0C    P0            N/A  /  200W |       0MiB /   4096MiB |      0%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+

+-----------------------------------------------------------------------------------------+
| Processes:                                                                              |
|  GPU   GI   CI              PID   Type   Process name                        GPU Memory |
|        ID   ID                                                               Usage      |
|=========================================================================================|
|  No running processes found                                                             |
+-----------------------------------------------------------------------------------------+

硬件判定法则 ：如果你的显卡型号过于老旧（如 GTX 900 系列及更早、或显存 $≤\le$ ≤ 4GB，如旧款游戏本的显卡），由于显存极易溢出且旧架构对新 CUDA 算子支持不佳，强烈建议直接采用本文推荐的纯 CPU 推理策略，在速度与稳定性上体验更好。

1.3 从零开始安装全局 Pixi 工具

如果你的电脑上还没有过 Pixi，请打开 PowerShell（建议管理员权限）运行以下官方一键安装脚本。

💡 网络提示：此安装引导脚本极小（仅几 KB）且托管于全球 CDN，在国内无需更换镜像源即可直接直连秒速下载。

PowerShell 复制代码

# 使用官方推荐的 Windows 独立安装命令（直连即可，无需镜像）
iwr -useb [https://pixi.sh/install.ps1](https://pixi.sh/install.ps1) | iex

安装完成后，重新打开一个新的 PowerShell 窗口以激活环境变量。输入以下命令验证是否安装成功：

PowerShell 复制代码

pixi --version

第二步：初始化项目与配置国内镜像源

创建并进入专门用于 Whisper 的项目目录（建议放在非系统盘）：
PowerShell 复制代码
```
mkdir D:\whisper-project
cd D:\whisper-project
```
初始化 Pixi 项目：
PowerShell 复制代码
```
pixi init
```
执行后，当前目录下会生成纯净的 pixi.toml 配置文件。

第三步：避免 `--pypi` 命令行巨坑，使用 `pixi.toml` 声明式安装

⚠️ 避坑经验 ：在命令行直接使用 pixi add --pypi openai-whisper 往往会导致 Pixi 在解析复杂的 PyTorch 依赖树时产生版本冲突。

最佳实践 ：不要使用 pixi add 交互式命令，直接修改并替换生成的 pixi.toml，然后通过 pixi install 一键声明式下载。

鉴于硬件性能限制，我们直接将环境剪裁为纯 CPU 高性能吞吐模式 。请用以下配置彻底覆盖你本地的 pixi.toml：

Ini, TOML

ini 复制代码

[workspace]
name = "whisper-project"
version = "0.1.0"
description = "A project for running Whisper with pure Conda CPU Environment"
authors = ["Jacky"]
channels = ["conda-forge"]
platforms = ["win-64"]

[pypi-options]
# 配置阿里 PyPI 镜像源，加速 whisper-ctranslate2 及其依赖的下载
index-url = "[https://mirrors.aliyun.com/pypi/simple/](https://mirrors.aliyun.com/pypi/simple/)"

[dependencies]
python = ">=3.10,<3.11"
ffmpeg = "*"
tiktoken = "*"
numpy = "*"
numba = "*"

[pypi-dependencies]
# 生产环境中推荐使用 whisper-ctranslate2，其推理速度和显存优化远超原生 openai-whisper
whisper-ctranslate2 = "*"

[tasks]
# 固化高性能环境变量，整合国内镜像源，加速模型下载
run-whisper = { cmd = "whisper-ctranslate2", env = { HF_HUB_DISABLE_SYMLINKS_WARNING = "1", HF_ENDPOINT = "[https://hf-mirror.com](https://hf-mirror.com)" } }

第四步：一键环境构建与高性能 CPU 推理实测

配置文件编写完成后，在项目根目录下直接执行以下命令，Pixi 将自动解析并下载所有纯 CPU 依赖：
PowerShell 复制代码
```
pixi install
```
验证环境是否安装成功：
PowerShell 复制代码
```
pixi run python --version
```
老旧硬件的终极优化策略与实测：

经过大型项目实测，在经典老旧硬件（如 HP 一代暗影精灵 级别的配置）上，模型选择与参数调优至关重要：
- 模型选择 ：small 模型错别字太多无法用于生产，large 模型在 CPU 下运行极为缓慢；medium 模型在准确率和速度之间达到了完美的黄金平衡点。
- 量化与线程 ：使用 --compute_type int8 压榨内存占用，配合 --threads 4 锁死物理核心，能跑出极限吞吐。

运行以下一键命令，直接为本地媒体提取高质量带有时间轴的 srt 字幕：

PowerShell 复制代码

pixi run run-whisper "D:/Download/test.mp4" --model medium --language zh --output_format srt --output_dir "D:/Download" --device cpu --compute_type int8 --threads 4

🎯 真实终端完美回显效果：

PowerShell 复制代码

PS D:\whisper-project> pixi run run-whisper "D:/Download/test.mp4" --model medium --language zh --output_format srt --output_dir "D:/Download" --device cpu --compute_type int8 --threads 4
✨ Pixi task (run-whisper): whisper-ctranslate2 D:/Download/test.mp4 --model medium --language zh --output_format srt --output_dir D:/Download --device cpu --compute_type int8 --threads 4
Detected language 'Chinese' with probability 1.000000
[00:00.000 --> 00:02.240] 注意了 这条一定要看完
[00:02.240 --> 00:04.760] 国家级零碳园区今年正式启动
[00:04.760 --> 00:06.200] 中央已经拍板
[00:06.200 --> 00:09.080] 这赛道投资直接冲到22万亿
[00:09.080 --> 00:10.720] 错过就是损失
[00:10.720 --> 00:12.280] 但能不能抓住机会
[00:12.280 --> 00:14.760] 缺的不是资金 是战略眼光
[00:14.760 --> 00:17.400] 听说国家级零碳园区要启动了
[00:17.400 --> 00:18.560] 你快给大家说说
[00:18.560 --> 00:20.800] 没错 首批名单即将公布
[00:20.800 --> 00:22.880] 2026年正式启动
[00:22.880 --> 00:24.560] 这可不是小打小闹吧
[00:24.560 --> 00:26.000] 投资规模有多大
[00:26.000 --> 00:27.440] 这可是大手笔
Transcription results written to 'D:\Download' directory

第五步：进阶避坑------防止 CPU 跑满与风扇降噪调优

经过实测，用纯 CPU 跑大模型或长时间转换长视频字幕时，多线程计算默认会把 CPU 所有核心压榨至 100% 满载。这会导致游戏本/工作站的温度瞬间触及功耗墙，风扇开始狂转，引发系统整体卡顿。

为了在后台静音平稳运行，建议直接通过 Windows 系统级电源策略限制 CPU 性能到 80% 或 85%。实测这样可以大幅度降低发热和噪音，且推理速度稍慢，但也在可接受的范围之内：

🛠️ 调整步骤：

Win + R 键输入 control.exe powercfg.cpl,,3 进入 Windows 高级电源设置。
展开 "处理器电源管理" -> "最大处理器状态" 。
将接通电源状态下的 100% 改为 80% 或 85%。

使用 Pixi 配置 Whisper 环境，实现采用本地大模型读取视频字幕

第一步：前置准备与环境清理

1.1 彻底卸载旧的 miniconda / mamba / miniforge

1.2 在 PowerShell 中查看 NVIDIA 显卡参数（决定运行策略）

1.3 从零开始安装全局 Pixi 工具

第二步：初始化项目与配置国内镜像源

第三步：避免 --pypi 命令行巨坑，使用 pixi.toml 声明式安装

第四步：一键环境构建与高性能 CPU 推理实测

🎯 真实终端完美回显效果：

第五步：进阶避坑------防止 CPU 跑满与风扇降噪调优

🛠️ 调整步骤：

第三步：避免 `--pypi` 命令行巨坑，使用 `pixi.toml` 声明式安装