当前位置：首页 > news >正文

whisper语音转文字配置

news 2026/5/26 3:38:23

Whisper CUDA (RTX 5060) 环境配置笔记

1. 环境安装指令

第一步：卸载旧版 Torch (确保无冲突)

Bash

pip uninstall torch torchvision torchaudio -y

第二步：安装支持 RTX 5060 (Blackwell 架构) 的 CUDA 12.8 版本

Bash

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

第三步：安装核心组件

Bash

pip install faster-whisper whisper-ctranslate2

2. 实际使用指令

推荐转录命令 (生成带标点、无时间戳的连贯文本)：

Bash

whisper-ctranslate2 "输入文件.m4a" --model large-v3 --language zh --output_format txt --initial_prompt "以下是转录内容，请确保语句连贯并正确使用中文标点符号。"

whisper-ctranslate2 “lesson 0415 32h.m4a” --model large-v3 --language zh --output_format txt --initial_prompt “以下是转录内容，请确保语句连贯并正确使用中文标点符号。”
whisper “lesson 0415 32h.m4a” --model large-v3 --language zh --output_format txt --initial_prompt “以下是转录内容，请确保语句连贯并正确使用中文标点符号。”

参数说明：

--model large-v3: 使用精度最高的模型。
--language zh: 强制识别为中文。
--output_format txt: 仅输出纯文本文件（不含时间戳）。
--initial_prompt: 通过引导语强制模型生成标点符号。

--beam_size 1：将束搜索宽度设为1，与原版 whisper 默认值一致，减少重复幻觉。

--vad_filter True：启用语音活动检测，自动跳过静音片段，避免无语音段产生幻觉。

--condition_on_previous_text False：禁止用前一段输出作为下一段的上下文，防止错误内容向后传播。

--word_timestamps True：启用词级时间戳，改善分句断点的准确性。

3. 脚本

transcribe.py

""" 快速语音转文字工具 (whisper-ctranslate2) 用法: python transcribe.py """importosimportsubprocess# ── 配置 ──MODEL="large-v3"OUTPUT_FORMAT="txt"LANG_OPTIONS={"1":{"code":"zh","label":"中文","extra_args":["--beam_size","1","--vad_filter","True","--initial_prompt","大家好，这是一段录音。我现在开始讲话了，请注意听。今天我们来讨论一下这个问题。如果内容中有一些English，比如app，或者数字10等，保持原词不需要翻译。",],},"2":{"code":"en","label":"English","extra_args":["--beam_size","1","--vad_filter","True",],},}AUDIO_EXTS={".mp3",".m4a",".wav",".flac",".ogg",".wma",".aac",".mp4",".mkv",".webm"}deflist_files():returnsorted(fforfinos.listdir(".")ifos.path.isfile(f)andos.path.splitext(f)[1].lower()inAUDIO_EXTS)defchoose_language():print(f"\n{'─'*50}")print(" 选择语言 / Select language")print(f"{'─'*50}\n")forkey,optinLANG_OPTIONS.items():print(f" [{key}]{opt['label']}")print(f"\n [0] 退出\n")try:choice=input("输入编号: ").strip()except(KeyboardInterrupt,EOFError):print()returnNoneifchoice=="0"orchoice=="":returnNoneifchoicenotinLANG_OPTIONS:print("编号无效。")returnNonereturnLANG_OPTIONS[choice]defchoose_file(files,lang):print(f"\n{'─'*50}")print(f" 模型:{MODEL}| 语言:{lang['label']}| 格式:{OUTPUT_FORMAT}")print(f"{'─'*50}\n")fori,finenumerate(files,1):size_mb=os.path.getsize(f)/(1024*1024)print(f" [{i}]{f}({size_mb:.1f}MB)")print(f"\n [0] 返回\n")try:choice=input("输入编号开始转录: ").strip()except(KeyboardInterrupt,EOFError):print()returnNoneifchoice=="0"orchoice=="":returnNonetry:idx=int(choice)-1ifidx<0oridx>=len(files):print("编号无效。")returnNoneexceptValueError:print("请输入数字。")returnNonereturnfiles[idx]defmain():lang=choose_language()ifnotlang:returnfiles=list_files()ifnotfiles:print("当前目录没有找到音视频文件。")returnselected=choose_file(files,lang)ifnotselected:returnprint(f"\n开始转录:{selected}\n")cmd=["whisper-ctranslate2",selected,"--model",MODEL,"--language",lang["code"],"--task","transcribe","--output_format",OUTPUT_FORMAT,*lang["extra_args"],]subprocess.run(cmd)if__name__=="__main__":main()