Whisper语音转文字本地大模型

会议之后，将录音转文字是非常重要但又痛苦的事情，由于录音的信息密度非常不均匀，重点分散在各个时间戳上面，完整地听完并整理成文字将耗费大量的时间。 因此直接将语音准确地转成带时间戳的文字，可以帮助我们快速锁定重点内容进行理解，是提高效率的重中之重。好消息，OpenAI推出了开源自动语音识别 (ASR) 模型 Whisper，我们可以自己搭建本地语音转文字大模型，准确率较高，不吃GPU（没GPU速度慢一些）。

效果：

windows 10 CMD

软件安装

1. 根据官网说明编译，或者windows直接下载我提供的压缩包，提供了whisper+ffmpeg软件，解压即可。

   链接：https://pan.baidu.com/s/17VMcDcfw0GsKoq_UEvOuHQ 提取码：1234

2. 下载训练好的大模型ggml-medium.bin（推荐这个中等模型，1.40GB不会很大，准确率也不会低）。

使用

1. 预处理，whisper.cpp只支持16bit WAV文件，因此通过ffmpeg先将视频、录音等其他格式的文件统一转成此音频格式：

   D:\ffmpeg\bin\ffmpeg.exe -i D:\5-13-10点19分.m4a -ar 16000 -ac 1 -c:a pcm_s16le output.wav 
   

2. 内容转文字^[1]：

   chcp 65001 # 避免乱码
   D:\whisper-cpp\1.5.4\main.exe -f .\output.wav -m D:\models\ggml-medium.bin -l auto --prompt "以下是普通话的句子" -otxt