猫头虎分享：如何在本地使用 openai-whisper 实现音频转文本？

🐯 猫头虎分享：如何在本地使用 openai-whisper 实现音频转文本？

最近很多小伙伴咨询 如何在本地环境使用 OpenAI 的 Whisper 模型把音频文件转换成文本。今天，猫头虎就来给大家手把手教学，流程完整，保姆级教程🛠️！

正文

📌 1. 准备工具和环境

在开始之前，确保你的本地电脑具备以下条件：

1. Python 环境：Python 3.8 及以上版本
2. ffmpeg：处理音频所必需的工具
3. openai-whisper：OpenAI 提供的开源语音识别模型
4. GPU（可选）：如果你有显卡，Whisper 可以更快运行

🚀 2. 安装必备依赖

🔧 步骤 1：安装 ffmpeg

Whisper 需要 ffmpeg 来处理音频文件，按以下步骤安装：

Windows 系统： 前往 FFmpeg 官网：https://ffmpeg.org/download.html 下载并解压，然后将 ffmpeg.exe 所在目录加入系统环境变量。

如何在本地使用 openai-whisper 实现音频转文本？

Linux / macOS 系统： 打开终端，运行以下命令：

# Linux (Ubuntu)
sudo apt update && sudo apt install ffmpeg

# macOS (使用 Homebrew)
brew install ffmpeg

如何在本地使用 openai-whisper 实现音频转文本？

🛠️ 步骤 2：安装 openai-whisper

Whisper 是一个开源的 Python 包，使用 pip 安装即可。在终端输入：

pip install openai-whisper

如果你的网络不稳定，可以使用国内镖像加速：

pip install openai-whisper -i https://pypi.tuna.tsinghua.edu.cn/simple

如何在本地使用 openai-whisper 实现音频转文本？

📦 步骤 3：安装 PyTorch

Whisper 模型依赖 PyTorch 库，安装 PyTorch：

无 GPU（CPU 环境）：

pip install torch torchvision torchaudio

有 GPU（CUDA 环境）： 前往 PyTorch 官网 查看 CUDA 版本对应的安装命令。

📈 3. 手动下载模型：解决无网环境

如果你的网络无法连接 OpenAI 下载模型，可以采用手动方式下载模型。

📏 下载地址：

前往 HuggingFace，下载对应模型的 .pt 文件：

• 例：Whisper 模型 - Base 版本：https://huggingface.co/openai/whisper-base/tree/main

下载后，将 .pt 文件存储在本地，如：

~/models/whisper/base.pt

💲 安装步骤：指定本地模型

在 Python 脚本中，加载本地模型，使用以下代码：

import whisper

# 指定本地 Whisper 模型路径
model_path = "~/models/whisper/base.pt"  # 修改为你的模型路径
model = whisper.load_model(model_path)

# 音频文件路径
audio_path = "audio.m4a"

# 转录音频
print("\ud83c\udfa7 开始音频转文字...")
result = model.transcribe(audio_path)

# 输出转录文本
print("\n\ud83c\udf89 转录结果如下：")
print(result["text"])

# 保存结果到文件
with open("transcribed_text.txt", "w", encoding="utf-8") as f:
    f.write(result["text"])
    print("\n\u2705 转录文本已保存至 transcribed_text.txt")

🔢 4. 开始运行代码

在终端中运行 Python 脚本：

python transcribe_audio.py

等待片刻，你会看到以下输出：

🎧 开始音频转文字...

🎉 转录结果如下：
<转录的文本内容>

✅ 转录文本已保存至 transcribed_text.txt

📊 5. 性能与模型对比

☀️ 6. 总结与展望

通过以上步骤，你已经成功在本地环境中使用 openai-whisper 模型实现了音频转文本 🎉。

未来，随着 Whisper 模型的不断优化，我们可以期待：

• 更快的识别速度
• 更高的转写出错率
• 支持更多语言和口音