前言
Whisper-large-v3 是 OpenAI 推出的高性能多语言语音识别模型，基于 Transformer 架构，支持凌驾 99 种语言 的语音到文本转换和翻译，具备精彩的正确率和鲁棒性。该模型适用于复杂音频场景，如噪声情况、差别口音和长音频转录，广泛用于字幕生成、语音助手和跨语言沟通等任务。
本文旨在当地电脑情况上实现Whisper-large-v3模型的部署和运行，较为简单
一、AutoDL
起首l浏览器搜索，点开AutoDL官网，AutoDL官网位置
申请/登录账号充好钱，选择自己必要的服务器。
推荐使用GPU：NVDIA RTX 3080/3090/4090（24GB显存，高性能多核CPU，内存≥32GB）
可以直接选择“底子镜像”，常用的miniconda等情况都是有的；如果是要用github上的项目，可以在“算法镜像”部门搜索，选择合适的镜像情况。 “我的镜像”适用于之前已经租过AutoDL上的服务器，因为目前那台机器没有空闲GPU了，所以将那台机器上的数据生成自己的镜像，然后就可以选择转移到这
选择好合适的服务器后，可以开始创建镜像：
我这里选择是pytorch2.0.0，python3.8，cuda11.8的版本，远在whisper-large-v3要求的情况之上
购买完成后，点击右上角控制台，然后点击导航栏的容器实例，就能看到自己已经购买的所有服务了。
重点留意SSH登录的指令和密码这块，稍后的与vscode长途连接要用到
二、AutoDL与Vscode建立长途连接
起首现在Vscode的扩展商店中下载，安装Remote SSH
ctrl+shift+p打开命令面板，搜索如下图的内容
点击添加新的SSH主机
然后在搜索框中输入你刚才在AutoDL上购买的服务器的登陆指令，点击回车
这里默认就行，点击回车
Vscode中，右下角会有弹出，点击连接
在新弹出的窗口中，上方搜索框中输入AutoDL的登录密码，点击回车
也可以在旧窗口中点击在此窗口中连接，然后输入密码，这样就不会有两个窗口了
至此，长途连接成功，我们点击Vscode左侧的资源管理，就能访问长途连接情况的文件了，这里还必要再输入一次密码，然后点击信托此作者，就能到达如图所示的界面，你就可以在终端中进行利用了
你可以在终端中输入：
python --version
nvcc --version
就能看到根本情况版本了
输入
import torch
print(torch.cuda.is_available()) # 返回 True 表现有可用 GPU
也阐明pytorch也安装好了（这个是AutoDL提供给我们的镜像中自动有的，不用手动安装）
三、下载&运行Whisper-large-v3模型
1，下载模型，在命令行中输入：pip install openai-whisper
2，安装 ffmpeg，ffmpeg工具的重要作用是编码/解码/转码以及媒体格式转换，处置惩罚音频用的
sudo apt update
sudo apt install ffmpeg -y
安装后可以进行检验
ffmpeg -version
3，创建一个.py脚本文件，输入以下代码：
- import whisper
- import torch
- # 检查是否有 GPU
- device = "cuda" if torch.cuda.is_available() else "cpu"
- # 加载 Whisper-large-v3 模型
- model = whisper.load_model("large-v3").to(device)
- # 指定音频文件路径，写你自己的，如果音频在同级目录下，直接声明即可，如果不在，要写完整的地址
- audio_file = "sounds2.mp3"
- # 强制设置语言为中文进行转录
- result = model.transcribe(audio_file, language="zh", fp16=True if device == "cuda" else False)
- # 打印识别结果
- print("识别结果:", result["text"])
在命令行输入python xxxxxx.py，即可运行结果(xxxx为脚本文件名)
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
