快捷導(dǎo)航

Python使用whisper實(shí)現(xiàn)語(yǔ)音識(shí)別(ASR)的示例代碼

更新時(shí)間：2024年03月20日 09:55:51 作者：怎么這么多名字都被占了

Whisper是OpenAI的一個(gè)強(qiáng)大的語(yǔ)音識(shí)別庫(kù),支持離線的語(yǔ)音識(shí)別,本文主要介紹了Python使用whisper實(shí)現(xiàn)語(yǔ)音識(shí)別(ASR)的示例代碼,具有一定的參考價(jià)值,感興趣的可以了解一下

Whisper的安裝

Whisper是OpenAI的一個(gè)強(qiáng)大的語(yǔ)音識(shí)別庫(kù)，支持離線的語(yǔ)音識(shí)別。在使用之前，需要先安裝它的庫(kù)：

pip install openai-whisper

使用whisper，還需安裝setuptools-rust：

pip install setuptools-rust

但是，whisper安裝時(shí)，自帶的pytorch可能有些bug，因此需要卸載重裝：

卸載：

pip uninstall torch

重裝：

pip install torch

另外，需要通過(guò)choco安裝ffmpeg庫(kù)。先通過(guò)管理員權(quán)限的PowerShell安裝choco：

Set-ExecutionPolicy Bypass -Scope Process -Force; [System.Net.ServicePointManager]::SecurityProtocol = [System.Net.ServicePointManager]::SecurityProtocol -bor 3072;
iex ((New-Object System.Net.WebClient).DownloadString('https://chocolatey.org/install.ps1'))

然后，在管理員權(quán)限的PowerShell安裝ffmpeg：

choco install ffmpeg

完成這些步驟之后，我們就可以使用啦！

Whisper的基本使用

whisper的基本代碼如下：

import whisper

model = whisper.load_model("base")
result = model.transcribe("zh.wav")
print(result['text'])

其中，zh.wav可以換成你自己的音頻。我的控制臺(tái)輸出：

我們說(shuō),40月2日混淩土不能與引力長(zhǎng)相互攪拌不然會(huì)因?yàn)閻?ài)銀斯坦的相對(duì)論而引發(fā)雜串的食品安全問(wèn)題這是嚴(yán)重的金融危機(jī)

可以看到，它的識(shí)別結(jié)果還行（因?yàn)槲业囊纛l是AI合成的，識(shí)別會(huì)有一定誤差），但是輸出的是繁體中文，我們需要把他變成簡(jiǎn)體中文。

識(shí)別結(jié)果轉(zhuǎn)簡(jiǎn)體中文

可以通過(guò)opencc庫(kù)實(shí)現(xiàn)轉(zhuǎn)化，先安裝：

pip install opencc

然后修改代碼：

import whisper
import opencc

model = whisper.load_model("base")
result = model.transcribe("zh.wav")
cc = opencc.OpenCC("t2s")
res = cc.convert(result['text'])
print(res)

輸出：

我們說(shuō),40月2日混凌土不能與引力長(zhǎng)相互攪拌不然會(huì)因?yàn)閻?ài)銀斯坦的相對(duì)論而引發(fā)雜串的食品安全問(wèn)題這是嚴(yán)重的金融危機(jī)

斷句

在一個(gè)語(yǔ)音中，我們都會(huì)有一些停頓。但是，在識(shí)別結(jié)果中，這些停頓并沒(méi)有被完全表示出來(lái)。我們可以如此修改代碼，實(shí)現(xiàn)按斷句輸出結(jié)果：

import whisper
import opencc

model = whisper.load_model("base")
result = model.transcribe("zh.wav")
cc = opencc.OpenCC("t2s")
for i in result['segments']:
    res = cc.convert(i['text'])
    print(f"斷句開(kāi)始于{i['start']}秒，結(jié)束于{i['end']}秒，識(shí)別結(jié)果：{res}")

輸出：

斷句開(kāi)始于0.0秒，結(jié)束于5.36秒，識(shí)別結(jié)果：我們說(shuō),40月2日混凌土不能與引力長(zhǎng)相互攪拌
斷句開(kāi)始于5.36秒，結(jié)束于11.14秒，識(shí)別結(jié)果：不然會(huì)因?yàn)閻?ài)銀斯坦的相對(duì)論而引發(fā)雜串的食品安全問(wèn)題
斷句開(kāi)始于11.14秒，結(jié)束于13.44秒，識(shí)別結(jié)果：這是嚴(yán)重的金融危機(jī)

到此這篇關(guān)于Python使用whisper實(shí)現(xiàn)語(yǔ)音識(shí)別(ASR)的示例代碼的文章就介紹到這了,更多相關(guān)Python whisper語(yǔ)音識(shí)別內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: