语音识别whisper的介绍、安装、错误记录

介绍

Whisper是OpenAI于2022年9月份开源的通用的语音识别模型。它是在各种音频的大型数据集上训练的模型，也是一个可以执行多语言语音识别、语音翻译和语言识别的多任务模型。
论文链接：https://arxiv.org/abs/2212.04356
github链接：https://github.com/openai/whisper

安装

Whisper主要是基于Pytorch实现，所以需要在安装有pytorch的环境中使用。

1、安装Whisper

pip install -U openai-whisper

或者

pip install git+https://github.com/openai/whisper.git

安装好之后，打开cmd界面，执行whisper，出现如下提示说明安装成功

2、安装FFmpeg

FFmpeg是一款音视频编解码工具。Whisper需要使用FFmpeg工具提取声音数据，所以需要安装配置FFmpeg。
参考博客：https://blog.csdn.net/weixin_45487348/article/details/130722161
安装好之后，，打开cmd界面，执行ffmpeg，出现如下提示说明安装成功

3、安装Rust

网上很多步骤说，需要安装Rust，用于实现快速分词，因为我暂时没用到这个，所以大家按需下载~

pip install setuptools-rust

使用

命令行方式

# 帮助信息
whisper --help

# 根据官网使用教程可以有以下常用方式
whisper music.mp3 --model tiny --language Chinese --device cuda:0 --initial_prompt "以下是普通话的句子"

Python代码

import whisper
model = whisper.load_model("base", "cpu")
mps_path = r"music.mp3"
result = model.transcribe(mps_path, fp16=False, language='Chinese')
print(result["text"])

说明：如果你的机器有GPU，那这里的**“fp16=False”**不是必须的。因为笔者本地测试机器没有GPU，只用用CPU进行测试，所以这里我设置了这个参数。

whisper模型

报错信息

以下是笔者调试过程中遇到的错误记录：

Error 1

FileNotFoundError: [WinError 2] 系统找不到指定的文件。

解决办法：
找到External Libraries —> Python 3.8 —> Libs —> subprocess.py —> Ctrl+F 查找“class POpen” ，将shell=False，改为 shell=True。

参考链接：https://blog.csdn.net/qq_24118527/article/details/90579328

Error 2

UnicodeDecodeError: 'utf-8' codec can't decode byte 0xb2 in position 9: invalid start byte

解决办法：
这个问题表面上就是ffmpeg造成的，好像在读取文件的时候某个位置的编码有问题。实际上是由于上面的代码修改后，需要重新启动（在windows系统有这个问题）。
如果重新启动之后，还是出现上述错误，可以按照如下方式重新设置：Pycharm setting —> Tools —> Terminal —> 找到 shell path，将其修改为本地cmd。