本文讲述本人使用python将文件中的语音转成文本时遇到的一些问题，希望可以帮助到一些人

1

根据github[https://github.com/openai/whisper]在安装whisper中我遇到了一些问题：我通过conda设置了一个名为whisper的虚拟环境，安装了Python 3.9.9 以及 PyTorch 1.10.1，然后直接使用pip install -U openai-whisper直接安装whisper。问题在于numpy的版本太高，导致报错，将numpy的版本由2.0.2下调至1.23.5，可以运行。

2

使用官方提供的代码生成文字时会报错，以下是我使用的代码：

import whisper

model = whisper.load_model("turbo")

# load audio and pad/trim it to fit 30 seconds

audio = whisper.load_audio("audio.mp3")

audio = whisper.pad_or_trim(audio)

# make log-Mel spectrogram and move to the same device as the model

mel = whisper.log_mel_spectrogram(audio).to(model.device)

# detect the spoken language

_, probs = model.detect_language(mel)

print(f"Detected language: {max(probs, key=probs.get)}")

# decode the audio

options = whisper.DecodingOptions()

result = whisper.decode(model, mel, options)

# print the recognized text

print(result.text)

报错信息为：

RuntimeError: Given groups=1, weight of size [1280, 128, 3], expected input[1, 80, 3000] to have 128 channels, but got 80 channels instead

将代码中的

mel = whisper.log_mel_spectrogram(audio).to(model.device)

改为

mel = whisper.log_mel_spectrogram(audio=audio, n_mels=128).to(model.device)

解决方案出自：https://github.com/openai/whisper/discussions/1778#discussioncomment-7520324

3

有时生成的文字不是中文，自动识别的语言类型出错了，所以想指定中文生成。

通过命令行调用时好像可以直接使用--language Chinese来约束

通过上述python代码的形式，也可以指定中文：

options = whisper.DecodingOptions()

改为

options = whisper.DecodingOptions(language='Chinese')

如此，在生成时就可以默认生成中文了。

2024/10/10