OpenAI开源模型Whisper实现音频转文字

一、Whisper安装

1. 安装Whisper包

   pip install openai-whisper

2. 测试Whisper是否安装成功，cmd输入下面命令

   whisper

   

3. 安装ffmpeg，我本机已经有了，所以此步骤跳过，具体安装教程可见： windows安装ffmpeg的教程

   

二、whisper的使用

• 使用命令行（首次执行会下载模型，所以比较慢）

  whisper xxx.mp3 --model medium

  

  • 上图所示，whisper会先检测语言，当然也可以根据参数指定语言，whisper参数详解

    whisper --help

• python代码

  • 基本使用

    import whisper
    
    model = whisper.load_model("medium")
    result = model.transcribe("baiyanglizan.mp3", fp16=False)

  print(result["text"])

  
  ![image-20250815091531935](OpenAI开源模型Whisper实现音频转文字.assets/image-20250815091531935.png)
  
  - 指定语言为中文或者模型自动识别语言为中文时，识别的结果为繁体中文的解决方式：使用opencc库实现转换
  
  ```shell
  # 安装opencc库
  pip install opencc

  import whisper
  import opencc
  
  model = whisper.load_model("medium")
  result = model.transcribe("baiyanglizan.mp3", fp16=False)
  cc = opencc.OpenCC("t2s")
  res = cc.convert(result['text'])
  print(res)

  

  • 将识别的语音的语气停顿表示出来

    import whisper
    import opencc
    
    model = whisper.load_model("medium")
    result = model.transcribe("baiyanglizan.mp3", fp16=False)
    cc = opencc.OpenCC("t2s")
    for i in result['segments']:
        res = cc.convert(i['text'])
        print(f"断句开始于{i['start']}秒，结束于{i['end']}秒，识别结果：{res}")

    

  • 较长音频可以先使用pydub进行分块，分块后再进行转文字处理，下面代码是获取mp3的前五分钟的写法

    # 安装pydub库
    pip install pydub

    from pydub import AudioSegment
    
    song = AudioSegment.from_mp3("baiyanglizan.mp3")
    
    # PyDub handles time in milliseconds
    five_minutes = 5 * 60 * 1000
    
    first_5_minutes = song[:five_minutes]
    
    first_5_minutes.export("baiyanglizan_5min.mp3", format="mp3")

    

参考文档

• (8 封私信 / 1 条消息) OpenAI开源模型Whisper——音频转文字 - 知乎
• Python使用whisper实现语音识别（ASR）_whisper python-CSDN博客
• [1306]whisper报错：UserWarning: FP16 is not supported on CPU； using FP32 instead_fp16 is not supported on cpu; using fp32 instead-CSDN博客