前言
在人工智能的浪潮中，语音识别技术正逐渐成为我们日常生活中不可或缺的一部分。随着 OpenAI 的 Whisper 模型的推出，语音转文本的过程变得前所未有的简单和高效。无论是从 YouTube 视频中提取信息，还是将播客内容转化为文本，Whisper 都能帮助我们轻松实现这一目标。今天，我们将深入探讨 Whisper 的强大功能，并提供详细的使用教程，让你能够快速上手这一技术。
一、Whisper 简介
Whisper 是 OpenAI 开发的一款先进的语音识别系统，经过 680,000 小时的多语言和多任务监督数据训练，具备了强大的鲁棒性。它不仅支持多种语言的转录，还能将这些语言翻译成英语。与其他 AI 模型不同，Whisper 是一个开源模型，开发者可以自由使用和修改。
Whisper 的优势 开源免费：开发者可以自由使用和修改代码。多语言支持：包括中文、英文等多种语言。高准确率：在多种场景下表现优于市面上许多音频转文字工具。二、Whisper 可用的模型和语言
Whisper 提供了五种不同尺寸的模型，适用于不同的应用场景。以下是可用型号及其大致的内存需求和相对速度：
tiny：适合快速测试，内存占用小。base：适合一般应用，速度和准确性平衡。small：适合对准确性有一定要求的应用。medium：适合需要较高准确率的场景。large：适合对准确性要求极高的应用，但需要较大的显存。 语言支持Whisper 支持多种语言的转录，具体性能因语言而异。通过使用 Fleurs 数据集，Whisper 在不同语言上的表现可以通过单词错误率（WER）进行评估，数字越小，性能越好。
三、开源 Whisper 本地转录
3.1、安装 pytube 库在开始使用 Whisper 进行转录之前，我们需要安装 pytube 库，以便从 YouTube 下载音频。
pip install --upgrade pytube 3.2、下载音频 MP4 文件
以“100 秒学习 Python”视频为例，视频地址为：https://www.youtube.com/watch?v=x7X9w_GIm1s。
import pytubevideo = "https://www.youtube.com/watch?v=x7X9w_GIm1s" data = pytube.YouTube(video) audio = data.streams.get_audio_only() audio.download() 3.3、安装 Whisper 库
接下来，我们需要安装 Whisper 库：
pip install git+https://github.com/openai/whisper.git -q
加载模型并转录音频文件：
import whispermodel = whisper.load_model("base") text = model.transcribe("Python in 100 Seconds.mp4") print(text['text'])
四、在线 Whisper API 转录
4.1、Whisper API 接口调用OpenAI 提供的 Whisper API 使用非常简单，只需调用 transcribe 函数即可将音频文件转录成文字：
import openai, osos.environ['OPENAI_API_KEY'] = "your-openai-api-key" openai.api_key = os.getenv("OPENAI_API_KEY")audio_file = open("./data/generative_ai_topics_clip.mp3", "rb") transcript = openai.Audio.transcribe("whisper-1", audio_file) print(transcript['text']) 4.2、使用 Prompt 参数优化
通过在转录过程中加入 Prompt 参数，可以提高转录的准确性：
audio_file = open("./data/generative_ai_topics_clip.mp3", "rb") transcript = openai.Audio.transcribe("whisper-1", audio_file, prompt="这是一段中文播客内容。") print(transcript['text']) 4.3、其它参数介绍
除了模型名称、音频文件和 Prompt，transcribe 接口还支持以下参数：
response_format：返回文件格式（JSON、TEXT、SRT、VTT）。temperature：调整采样概率分布（0-1 之间）。language：指定音频语言。 4.4、转录过程翻译功能Whisper API 还提供了“translation”接口，可以在转录的同时将语音翻译成英文：
audio_file = open("./data/generative_ai_topics_clip.mp3", "rb") translated_prompt = "This is a podcast discussing ChatGPT and PaLM model." transcript = openai.Audio.translate("whisper-1", audio_file, prompt=translated_prompt) print(transcript['text']) 4.5、分割音频处理大文件
对于超过 25MB 的音频文件，可以使用 PyDub 库进行分割：
from pydub import AudioSegmentpodcast = AudioSegment.from_mp3("./data/generative_ai_topics_long.mp3") ten_minutes = 15 * 60 * 1000 total_length = len(podcast)start = 0 index = 0 while start < total_length:end = start + ten_minutesif end < total_length:chunk = podcast[start:end]else:chunk = podcast[start:]with open(f"./data/generative_ai_topics_{index}.mp3", "wb") as f:chunk.export(f, format="mp3")start = endindex += 1
然后逐个转录音频文件：
prompt = "这是一段Onboard播客，里面会聊到ChatGPT以及PALM这个大语言模型。" for i in range(index):clip = f"./data/generative_ai_topics_{i}.mp3"audio_file = open(clip, "rb")transcript = openai.Audio.transcribe("whisper-1", audio_file, prompt=prompt)if not os.path.exists("./data/transcripts"):os.makedirs("./data/transcripts")with open(f"./data/transcripts/generative_ai_topics_{i}.txt", "w") as f:f.write(transcript['text'])sentences = transcript['text'].split("。")prompt = sentences[-1]
五、获取OpenAI-api的方法
【OpenAI】第一节（OpenAI API）获取OpenAI API KEY的两种方式，开发者必看全方面教程！
六、总结
OpenAI 的 Whisper 模型为语音识别提供了一个强大而灵活的解决方案。无论是通过 API 还是使用开源模型，用户只需简单几行代码即可实现音频转录。通过传入 Prompt 参数，用户可以显著提高转录的准确性，减少错误和遗漏。
虽然 OpenAI 的 API 接口对单个转录文件的大小有限制，但我们可以通过 Python 包如 PyDub 将音频文件切分成多个小片段来解决这一问题。转录后的结果可以与 ChatGPT 和其他工具结合使用，实现文本总结和信息提取。
这种技术组合不仅提高了我们处理音频内容的效率，还为我们创造了更多从海量信息中获取有价值内容的机会。AI 为我们带来了无限的可能性，期待未来更多创新应用的出现。
