pip install -U openai-whisper
# pip install git+https://github.com/openai/whisper.git 
pip install --upgrade --no-deps --force-reinstall git+https://github.com/openai/whisper.git
pip install zhconv
pip3 install wheel

pip3 install torch torchvision torchaudio
# 注：沒科學上網(wǎng)會下載有可能很慢，可以替換成國內鏡像加快下載速度
pip3 install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

pip3 install torch torchvision torchaudio

whisper audio.mp3

whisper audio.mp3 --model medium
whisper japanese.wav --language Japanese
whisper chinese.mp4 --language Chinese --task translate
whisper audio.flac audio.mp3 audio.wav --model medium
whisper output.wav --model medium  --language Chinese

import whisper

if __name__ == '__main__':
    model = whisper.load_model("tiny")
    result = model.transcribe("audio.mp3", fp16=False, language="Chinese")
    print(result["text"])

import whisper
import zhconv
import wave  # 使用wave庫可讀、寫wav類型的音頻文件
import pyaudio  # 使用pyaudio庫可以進行錄音，播放，生成wav文件


def record(time):  # 錄音程序
    # 定義數(shù)據(jù)流塊
    CHUNK = 1024  # 音頻幀率（也就是每次讀取的數(shù)據(jù)是多少，默認1024）
    FORMAT = pyaudio.paInt16  # 采樣時生成wav文件正常格式
    CHANNELS = 1  # 音軌數(shù)（每條音軌定義了該條音軌的屬性,如音軌的音色、音色庫、通道數(shù)、輸入/輸出端口、音量等?？梢远鄠€音軌，不唯一）
    RATE = 16000  # 采樣率（即每秒采樣多少數(shù)據(jù)）
    RECORD_SECONDS = time  # 錄音時間
    WAVE_OUTPUT_FILENAME = "./output.wav"  # 保存音頻路徑
    p = pyaudio.PyAudio()  # 創(chuàng)建PyAudio對象
    stream = p.open(format=FORMAT,  # 采樣生成wav文件的正常格式
                    channels=CHANNELS,  # 音軌數(shù)
                    rate=RATE,  # 采樣率
                    input=True,  # Ture代表這是一條輸入流，F(xiàn)alse代表這不是輸入流
                    frames_per_buffer=CHUNK)  # 每個緩沖多少幀
    print("* recording")  # 開始錄音標志
    frames = []  # 定義frames為一個空列表
    for i in range(0, int(RATE / CHUNK * RECORD_SECONDS)):  # 計算要讀多少次，每秒的采樣率/每次讀多少數(shù)據(jù)*錄音時間=需要讀多少次
        data = stream.read(CHUNK)  # 每次讀chunk個數(shù)據(jù)
        frames.append(data)  # 將讀出的數(shù)據(jù)保存到列表中
    print("* done recording")  # 結束錄音標志

    stream.stop_stream()  # 停止輸入流
    stream.close()  # 關閉輸入流
    p.terminate()  # 終止pyaudio

    wf = wave.open(WAVE_OUTPUT_FILENAME, 'wb')  # 以'wb‘二進制流寫的方式打開一個文件
    wf.setnchannels(CHANNELS)  # 設置音軌數(shù)
    wf.setsampwidth(p.get_sample_size(FORMAT))  # 設置采樣點數(shù)據(jù)的格式，和FOMART保持一致
    wf.setframerate(RATE)  # 設置采樣率與RATE要一致
    wf.writeframes(b''.join(frames))  # 將聲音數(shù)據(jù)寫入文件
    wf.close()  # 數(shù)據(jù)流保存完，關閉文件


if __name__ == '__main__':
    model = whisper.load_model("tiny")
    record(3)  # 定義錄音時間，單位/s
    result = model.transcribe("output.wav",language='Chinese',fp16 = True)
    s = result["text"]
    s1 = zhconv.convert(s, 'zh-cn')
    print(s1)

pip install buzz-captions
python -m buzz

Mac：~/.cache/whisper
Windows：C:\Users\<你的用戶名>\.cache\whisper