OpenAI的Whisper是一种基于深度学习的语音识别模型，它是一种通用的语音识别模型，可以用于语音识别、语音翻译和语言识别等任务。

Whisper是通过收集来自多个数据源（如YouTube、TED、Twitter等）的多语言、多任务的数据进行训练的。这些数据包含了各种语言和口音的语音样本，以及各种不同的环境噪声和干扰。

Whisper模型使用了一种称为“自注意力机制”的技术，它可以在处理不同的语音信号时，更好地捕捉到语音中的关键信息。此外，Whisper还使用了一种称为“注意力机制”的技术，它可以在处理不同的语音信号时，更好地捕捉到语音中的关键信息。

Whisper模型的训练过程非常复杂，需要大量的计算资源和时间。但是，一旦训练完成，Whisper模型可以在各种不同的应用场景中提供高质量的语音识别结果。

让我们感受一下开源语音转文字的魅力吧。

安装

使用以下指令：

pip install -U openai-whisper

或者使用以下指令从源码安装最新版

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

另外需要安装ffmpeg，不同系统参考不同方式

# on Ubuntu or Debian
sudo apt update && sudo apt install ffmpeg

# on Arch Linux
sudo pacman -S ffmpeg

# on MacOS using Homebrew (https://brew.sh/)
brew install ffmpeg

# on Windows using Chocolatey (https://chocolatey.org/)
choco install ffmpeg

# on Windows using Scoop (https://scoop.sh/)
scoop install ffmpeg

模型说明

有五种模型大小可供选择，其中除了large模型外还提供了只支持英文的版本。模型越小占用显存越少，速度也更快，但精度也更低，所以在使用时需要自己在速度和准确度之间权衡。以下是可用模型的名称、近似内存需求和相对速度。

英语模型中的.en模型（仅适用于英语应用程序）往往表现更好，特别是对于tiny.en和base.en模型。

Whisper的表现在不同语言下会有很大差异。下图展示了使用large-v2模型对Fleurs数据集进行的WER（词误率）语言拆解。数值越小，表示表现越好。

简单的说，目前whisper最擅长的6种语言是西班牙语、意大利语、英语、葡萄牙语、德语和日语。中文的WER达到14.7，处于中等水平，所以表现不是那么好，但可用，后面会测试。

用法

直接使用whisper指令识别音频和视频文件为文本，如：

whisper video.mp4

这里需要重点说明的是，默认会生成5个文件，文件名和你的源文件一样，但扩展名分别是：.json、.srt、.tsv、.txt、.vtt。除了普通文本，也可以直接生成电影字幕，还可以调json格式做开发处理。

前面介绍了whisper有多种模型，默认使用的是small模型，占用显存少，识别速度快，但准确率没大模型高，以下--model medium命令将使用medium模型转录音频文件中的语音：

whisper audio.flac audio.mp3 audio.wav --model medium

默认设置（选用小型模型）在转录英语时表现良好。如果要转录包含非英语言的音频文件，则可以使用--language选项指定语言，当然也可以不指定语言，模型可以做到自动识别：

whisper japanese.wav --language Japanese

添加--task translate选项将把语音翻译成英语，这在需要为非英文电影生成英文字幕的场景非常方便：

whisper chinese.mp4 --language Chinese --task translate

运行以下命令查看所有可用选项：

whisper --help

除了使用whisper指令，也可以使用python开发使用，这很方便，但这里不多做介绍，以下是Python示例：

import whisper

model = whisper.load_model("base")
result = model.transcribe("audio.mp3")
print(result["text"])