本文详细介绍了如何使用 OpenAI 研发的 Whisper 系统进行语音转文字。Whisper 是一款强大的自动语音识别（ASR）系统，支持多种语言和口音。文章从安装环境准备、运行流程到 Python 脚本调用，提供了全面的指南。用户可以根据自身需求选择不同模型，并将音频文件转换为文本、SRT 或 VTT 字幕文件。此外，文章还提供了注意事项，如硬件要求、语言设置和网络问题，帮助用户顺利完成语音转录任务。

🎤 Whisper 是一款由 OpenAI 开发的自动语音识别（ASR）系统，它支持多种语言，包括英语、中文等，能够处理不同口音和背景噪音下的语音内容，并将其准确地转换为文本，广泛应用于会议记录、音频字幕制作等场景。

💻 安装 Whisper 之前，需要准备 Python 环境，建议安装 Python 3.7 及以上版本。随后，通过命令行使用 `pip install git+github.com/openai/whisper` 命令安装 Whisper。安装完成后，就可以开始进行语音转文字的操作。

🎧 运行 Whisper 时，首先需要准备音频文件，支持 MP3、WAV、OGG 等格式。 其次，选择合适的模型，Whisper 提供了 tiny、base、small、medium 和 large 等不同大小和精度的模型，用户可以根据实际需求选择。最后，通过命令行执行转录命令，例如 `whisper /path/to/your/audio_file.mp3 --model base`。

📝 Whisper 会在音频文件目录下生成 .txt、.srt 和 .vtt 文件，.txt 文件包含纯文本转录内容，.srt 和 .vtt 文件是字幕文件，包含时间戳信息，可用于视频添加字幕。

🐍 除了在命令行中使用 Whisper，还可以在 Python 脚本中调用 Whisper 进行语音转文字。通过加载模型、进行转录和打印结果，可以轻松实现语音转文字的功能。

一、Whisper 简介

Whisper 是 OpenAI 研发的自动语音识别（ASR）系统，它具备强大的多语言识别能力，能处理多种不同口音和背景噪音下的语音内容，将其准确地转换为文本。其支持的语言众多，包括但不限于英语、中文、法语、德语等，广泛应用于会议记录、音频字幕制作、语音内容整理等场景。

二、安装环境准备

（一）系统要求

Whisper 可以在多种操作系统上运行，如 Windows、macOS 和 Linux。以下以常见的操作环境为例进行说明。

（二）安装 Python

Whisper 是基于 Python 开发的，所以首先需要安装 Python。建议安装 Python 3.7 及以上版本。可以从 Python 官方网站（www.python.org/downloads/）… Python to PATH”选项，这样可以在命令行中直接使用 Python 命令。

（三）安装 Whisper

打开命令行工具（Windows 可以使用命令提示符或 PowerShell，macOS 和 Linux 可以使用终端），输入以下命令来安装 Whisper：%% bash`` pip install git+github.com/openai/whis…这个命令会从 GitHub 上下载 Whisper 的源代码并进行安装。安装过程可能需要一些时间，取决于网络状况。

三、运行 Whisper 进行语音转文字

（一）准备音频文件

确保你有一个需要进行转录的音频文件，支持的音频格式包括 MP3、WAV、OGG 等。将音频文件放在你方便操作的目录下，例如创建一个名为“audio_files”的文件夹，把音频文件放入其中。

（二）选择模型

Whisper 提供了不同大小和精度的模型，模型越大，识别精度通常越高，但运行所需的计算资源也越多。常见的模型有：

tiny：体积小，运行速度快，但识别精度相对较低，适合对速度要求较高且对精度要求不是特别苛刻的场景。base：在速度和精度之间取得了较好的平衡，是一个比较常用的选择。small：精度比 base 更高，但运行速度会稍慢一些。medium：识别精度进一步提升，不过需要更多的计算资源。large：精度最高，但对硬件要求也最高，运行速度相对较慢。

（三）执行转录命令

在命令行中，使用以下命令来运行 Whisper 进行语音转文字：%% bashwhisper /path/to/your/audio_file.mp3 --model base 将 `/path/to/your/audio\_file.mp3` 替换为你实际的音频文件路径，`--model base` 指定使用 base 模型。如果你想使用其他模型，只需将 `base` 替换为相应的模型名称，如 `tiny`、`small` 等。 例如，如果你将音频文件 `example.mp3` 放在了“audio\_files”文件夹中，并且当前命令行的工作目录是该文件夹的上级目录，那么命令可以写成： %% bash whisper audio_files/example.mp3 --model base

（四）查看转录结果

当命令执行完成后，Whisper 会在音频文件所在的目录下生成几个文件：

文本文件（.txt）：包含了音频文件的纯文本转录内容。SRT 文件（.srt）：这是一个字幕文件，包含了每个句子的时间戳，可用于视频添加字幕。VTT 文件（.vtt）：也是一种字幕文件格式，同样包含时间戳信息。你可以使用文本编辑器打开 .txt 文件查看转录的文本内容，也可以使用视频编辑软件导入 .srt 或 .vtt 文件为视频添加字幕。

四、在 Python 脚本中使用 Whisper

除了在命令行中使用 Whisper，你还可以在 Python 脚本中调用 Whisper 进行语音转文字。以下是一个简单的 Python 脚本示例：%% pythonimport whisper # 加载模型model = whisper.load_model("base") # 进行转录result = model.transcribe("audio_files/example.mp3") # 打印转录结果print(result["text"]) 将上述代码保存为一个 `.py` 文件，例如 `transcribe.py`，然后在命令行中运行： %% bash python transcribe.py这样就可以在 Python 脚本中实现语音转文字的功能。

五、注意事项

硬件要求：如果使用较大的模型（如 medium 或 large），建议使用配备 GPU 的计算机，以提高运行速度。可以通过安装 CUDA 来支持 GPU 加速。语言设置：Whisper 通常可以自动识别音频中的语言，但如果需要指定语言，可以在命令中添加 --language 参数，例如 --language Chinese 表示指定音频语言为中文。网络问题：在安装 Whisper 或下载模型时，如果遇到网络问题，可以尝试使用代理或更换网络环境。通过以上步骤，你就可以轻松地使用 Whisper 进行语音转文字，无论是在命令行还是 Python 脚本中都能快速完成音频内容的转录。