这个是现在正筹备的项目中的具体一步骤，可以说是十分关键。
废话不多说，直接来看操作步骤。
如果暂时用不上，可以先关注收藏，我后面会慢慢把这个项目的具体步骤更新到公众号文章上。
01安装 python
需要先安装 python 配置，此处需注意，必须要3.10及以上才可以。
打开 python 官网，安装 3.11版本即可
https://www.python.org/downloads/windows/
注意，下载好安装时候，一定要勾选 add to path
安装完毕可以，可以使用 win + R 快捷键，输入 cmd 后回车
在新窗口直接输入 python，如果出现以下界面，3.11 版本，就说明安装成功了，可以进行下一步
我本身是用 Pycharm 来调用 python 程序代码，属于是个人习惯，用什么都可以。
这里我先用 Pycharm 来实现，如果你用其他编译器，遇到问题直接问 AI 即可。
02 安装必要的东西--ffmpeg
首先安装 ffmpeg，用于视频剪辑的东西，是 moviepy 这个库需要用到，可以用于从视频中提取音频。
https://www.gyan.dev/ffmpeg/builds/
随便下载一个稳定版本即可，它是一个压缩包。
解压到想要的路径下就好，还有用，一会儿要添加进 Path 环境变量。
C:\Aster\package\ffmpeg-2024-06-21-git-d45e20c37b-essentials_build\bin
打开解压后文件的 bin，然后复制路径。
按 win 键，搜索出编辑系统环境变量
按顺序找到 环境变量-Path，然后编辑-新建
输入我们刚刚复制的 bin 路径，添加后点击确定即可。
此时，win + R ，输入 cmd 回车，呼出窗口，输入 ffmpeg，如果出现下图界面，说明安装成功了
接下来我们需要安装 python 软件包
pipinstallopenccopenai-whisper
注意，python 自带的 torch 可能会出问题，所以也需要先卸载再安装
pipuninstalltorch
pipinstalltorch
而且有可能 2.0 版的 numpy 无法运行，所以也许先卸载再安装
pipuninstallnumpy
pipinstallnumpy==1.26.4
03 准备素材，开始音频转文字
安装完毕后，只需要准备一条素材即可，可以是 MP3，也可以是 wav 格式的。
我准备的是 MP3 格式的素材
import timeimport whisperimport openccdef a2text(model_type, path):start_time = time.time()# 记录开始时间# 加载 Whisper 模型model = whisper.load_model(model_type)# 加载音频文件并进行识别result = model.transcribe(path)cc = opencc.OpenCC("t2s")res = cc.convert(result['text'])print(res)end_time = time.time()# 记录结束时间execution_time = end_time - start_time# 计算运行时间print(f"总耗时：{execution_time}")path = "test.mp3"a2text("tiny", path)
注意，第一次运行时候，会联网下载该模型，可能需要一段时间。
04转化结果
可以看到，用了最小的模型，只需要 1s 多就能识别 10s 左右的 MP3 音频。
当然，由于是小模型，难免识别不准确，后面可以用大一点的模型来识别。
同时，也报错提醒我说，没有使用 GPU，所以精度低。
后面再出教程，如何使用本地显卡来加速推理，毕竟，买的 4090D 可不能浪费了呀。
关于不同模型的识别速度，后面再做一期评测~
04
openai 开源的 Whisper 模型，有多个版本，主要看你的电脑配置，配置需求从低到高分别是：
也可以是 tiny、base、small、medium、large
按需更改即可，当然，越好的模型，需要配置越高。
| 欢迎光临 链载Ai (https://www.lianzai.com/) | Powered by Discuz! X3.5 |