一直没发现这么好的语音识别模型

终于在github上，找到了一个开源项目Whisper，一看竟是OpenAI开源的。

使用体验上我只能说，方便便捷，支持多种语言，你不用再指定音频的格式，它都帮助你自动处理好；考虑到效率问题，whisper给出了五个规格的模型，来满足不同场景下对速度或者准确率的需求；同时它还自带了命令行工具；最重要的是它封装得很好，几行代码就可以直接调用。

具体的细节可以参考项目的README，附上仓库链接：

https://github.com/openai/whisper

首先安装很简单，直接pip就行，而且它会自动把依赖的库包括torch也自动安装好

pip install -U openai-whisper

      不过这里我提醒一下，它默认安装的torch是非GPU环境下的，如果想用GPU来运算的话，先删除装好的torch，然后再去装你电脑对应的GPU版本的，可以去官方页面进行选择：

https://pytorch.org/get-started/locally/

        以我的来举例

pip uninstall torchpip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

        随后就可以使用GPU来运算了。

        安装好之后，我就直接上示例代码了，这里我用GPU来跑

import torchimport whisperdevice = "cuda" if torch.cuda.is_available() else "cpu"model = whisper.load_model("small", device=device)result = model.transcribe("test.wav")print(result["text"])

        没错，就是这么简单，其中官方提供了五种参数规格的模型，对照表如下：

这里根据自己对准确率和速度的需要来进行选择，替换load_model中的参数即可，如果你本地没有模型，它会自动下载。

经过测试，抛去最初加载模型的时间，120个字的音频，用tiny模型通过GPU运算1s左右就可以完成识别，CPU大概2s左右，下个项目就用它了，太方便了。