ChatGPT开源的whisper音频生成字幕

1、前言

好了，那接下来看一下whisper开源库的介绍

有五种模型大小，其中四种仅支持英语，提供速度和准确性的权衡。上面便是可用模型的名称、大致的内存需求和相对速度。如果是英文版的语音，直接想转换为英文。

本来我是想直接在我的本地电脑上安装环境的，也就是无非安装python、ffmpeg、以及whisper，但是发现电脑配置太低了，而且我想测试一下large模型，CPU 肯定是不行，但是如果用本机的 GPU也是快不到哪里去的。所以这里我想到谷歌的colab.research.google.com 免费在线运行，而且我可以启用GPU硬件加速，感觉上还是非常快的，当然如果需要你还可以购买。

下面是我的免费配置 colab.research.google.com

运行起来还是非常流畅，真的香喷喷，如果需要我都想付费了。

可以应用于那些场景

会议记录: 直接将录音转换为文字

个人视频制作: 很多时候都希望有字幕的效果，听说剪映的效果都没有这个好

课堂记录转写：将课堂上的内容记录下来，这样后面直接查看文字版本也是非常方便

通话记录：有些重要的电话可将其录音，转换为文字以备后面查询也是非常不错的

字幕组：这个就不用说了有可能还涉及到多语言，准备率很高的话可以省很多事情

实时语音翻译：这个服务器配置够高的话，理论上就非常快速

2、开始实践

2.1、检查colab环境

!nvidia-smi -L
!nvidia-smi

运行两个指令结果如下：

1.!nvidia-smi -L：-L 参数用于列出系统上安装的所有 NVIDIA GPU 设备。运行此命令后，您将看到关于可用 GPU 的信息，包括其型号和 UUID。

2.!nvidia-smi：不带任何参数运行 nvidia-smi 会显示有关 NVIDIA GPU 的详细信息，包括：

- GPU 设备的编号、名称、总内存和温度。
- GPU 使用率（如计算、内存和显存使用率）。
- 运行在 GPU 上的进程以及它们的相关信息（如进程 ID、显存占用等）。

只不过这里我还没开始使用GPU而已，所以显示的是空的。

2.2、安装whisper

!pip install requests beautifulsoup4
!pip install git+https://github.com/openai/whisper.git
import torch
import sys
device = torch.device('cuda:0')
print('正在使用的设备:', device, file=sys.stderr)
print('Whisper已经被安装请执行下一个单元')

这里主要就是安装whisper

2.3、 whisper模型选择

#@markdown # ** whisper Model选择** 🧠
Model = 'large-v2' #@param ['tiny.en', 'tiny', 'base.en', 'base', 'small.en', 'small', 'medium.en', 'medium', 'large', 'large-v2']
import whisper
from IPython.display import Markdown
whisper_model = whisper.load_model(Model)
if Model in whisper.available_models():
    display(Markdown(
        f"**{Model} model is selected.**"
    ))
else:
    display(Markdown(
        f"**{Model} model is no longer available.** Please select one of the following: - {' - '.join(whisper.available_models())}"
    ))

这里我选择的是最大的模型 large-v2,因为我要转换中文字幕，前面四个都只支持英文，这个在文章开头也说了的。

2.4、开始音频转字幕

audio_path = "/content/downloads/test1.m4a"
audio_path_local = Path(audio_path).resolve()
transcription = whisper.transcribe(
    whisper_model,
    str(audio_path_local),
    temperature=temperature,
    **args,
)
# Save output
whisper.utils.get_writer(
    output_format=output_format,
    output_dir=audio_path_local.parent
)(
    transcription,
    title
)

我首先要准备一个m4a的音频文件，这里可以直接上传到colab

左侧当前目录是 content，然后右键新建文件夹downloads，然后在downloads文件夹上点击上传m4a文件

上传完毕后可以看到m4a文件已经在目录下了。

whisper.transcribe 方法有好多的参数

whisper_model主要是设置model模型
output_format 主要是设置字幕输出的文件格式
temperature 值设置的较低，那么表述相对精准一些，值越大表述可能更加抽象一点
args中有一个language语言，比如这里我要将音频转换为中文字幕设置为cn 或者chinese这里主要可以查看 whisper/tokenizer.py at main · openai/whisper · GitHub