我要评论whisper 是一种自动语音识别 (asr) 系统，使用从网络收集的 680000 小时多语言和多任务数据进行训练，whisper 由深度学习和神经网络提供支持，是一种基于 pytorch 构建的自然语言处理系统，这是免费的开源软件。
安装whisper
我们用 ubuntu 22.04 lts 测试了 whisper，为避免污染您的系统，我们建议使用 anaconda 或 miniconda 安装 whisper。
使用 wget 下载并安装 anaconda。
$ wget https://repo.anaconda.com/archive/anaconda3-2022.10-linux-x86_64.sh
下载中的截图：
运行shell脚本：
$ bash anaconda3-2022.10-linux-x86_64.sh
接受 anaconda 的许可证，然后通过运行 conda init 来初始化 anaconda3，要使更改生效，请关闭并重新打开当前的 shell。
创建一个 conda 环境，并激活它。
$ conda create --name whisper
$ conda activate whisper
现在我们准备好使用 pip 安装 whisper，pip 是 python 的包管理器。
$ pip install -u openai-whisper
这是运行该命令的输出。
successfully built openai-whisper
installing collected packages: tokenizers, huggingface-hub, transformers, openai-whisper
successfully installed huggingface-hub-0.12.1 openai-whisper-20230124 tokenizers-0.13.2 transformers-4.26.1
运行whisper
whisper 是从命令行运行的，项目中没有花哨的图形用户界面。
该软件带有一系列不同大小的预训练模型，可用于检查 whisper 的缩放属性：
- tiny.en
- tiny
- base.en
- base
- small.en
- small
- medium.en
- medium
- large-v1
- large-v2
- large
我们可以使用在 mp3 文件（也支持 flac 和 wav）上使用媒体模型试用该软件，第一次使用模型时，会下载该模型。
如果我们不指定带有标志的语言，–language软件会自动检测使用最多前 30 秒的语言。我们可以告诉软件语言，避免自动检测的开销，一共支持 100 多种语言。
我们想要使用媒体模型转录 audio.mp3 文件，我们会告诉软件这个文件是英语语言。
$ whisper audio.mp3 --model medium --language english
下图显示正在进行的转录。
我们验证此转录正在使用我们的 gpu。
你可以看到我们的 gpu 有 8gb 的vram，请注意，大型模型无法在此 gpu 上运行，因为它需要超过 8gb 的vram。
有大量可用的选项，比如$ whisper --help
总结
whisper 还是蛮不错的，从我们的测试来看，转录的准确性非常接近人类水平的稳健性和准确性。
whisper 没有图形界面，也不能录制音频。它只能获取现有的音频文件和输出文本文件，whisper 已经积累了超过 25000 个 github 星，还是非常受欢迎的。
代码仓库地址：https://github.com/openai/whisper。
发表评论