概述
本项目使用 faster_whisper 库对 zh.wav 文件进行语音转文本操作，同时会检测音频文件的语言并输出每个语音段的起始时间、结束时间及文本内容。
库依赖
项目主要依赖以下库：
faster_whisper你可以使用以下命令安装所需依赖：
pip install faster_whisper运行环境构建
确保你已经安装了 Python 3.x 环境。
打开终端，进入项目目录 /Users/livingbody/workspace/sound5。
执行以下命令安装依赖：
pip install faster_whisper程序功能
该程序主要完成以下功能：
检测输入音频文件 zh.wav 的语言，并输出检测到的语言及其概率。
对 zh.wav 文件进行语音转文本操作，输出每个语音段的起始时间、结束时间及文本内容。
包含错误处理机制，当程序运行过程中出现异常时，会打印错误信息。
Faster Whisper 相关信息
功能
faster_whisper 是一个基于 Whisper 模型的快速语音识别库，它可以高效地将语音转换为文本，支持多种语言的识别。
重要函数
WhisperModel：用于初始化 Whisper 模型。可以指定模型的大小，如 tiny、base、small 等。示例代码：from faster_whisper import WhisperModelmodel = WhisperModel("tiny")transcribe：对音频文件进行语音转录。返回语音片段列表和语言信息。示例代码：segments, info = model.transcribe("zh.wav")模型介绍
faster_whisper 提供了多种不同大小的模型，模型越大，识别准确率越高，但运行速度越慢。常见的模型大小有：
tiny：最小的模型，速度最快，但准确率相对较低。
base：基础模型，在速度和准确率之间取得了较好的平衡。
small：较大的模型，准确率较高，但运行速度较慢。
运行程序
代码如下：
# 设置文件编码为 UTF-8# -*- coding: utf-8 -*-# 从 faster_whisper 库中导入 WhisperModel 类，用于语音转录from faster_whisper import WhisperModel# 导入 os 模块，用于与操作系统进行交互import os# 设置环境变量，允许重复加载 libiomp5.dylib 库，避免 OMP 错误os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"# 尝试执行语音转录操作try:# 初始化 WhisperModel 模型，使用 'tiny' 版本model = WhisperModel("tiny")# 对 'zh.wav' 文件进行语音转录，返回语音片段和语言信息segments, info = model.transcribe("zh.wav")# 打印检测到的语言及其概率print(f"Detected language '{info.language}' with probability {info.language_probability:.2f}")# 遍历每个语音片段for segment in segments:# 打印每个语音片段的起始时间、结束时间和文本内容print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))# 捕获并处理可能出现的异常except Exception as e:# 打印错误信息print(f"An error occurred: {e}")在终端中进入项目目录，执行以下命令运行程序：
python fast-whisper-demo.pyDetected language 'zh' with probability 1.00[0.00s -> 4.48s] 我認為跑步最重要的就是給我帶來了身體健康