本地离线部署whisper模型进行话音转写，亲测可用
在本地搭建 Whisper 语音转写环境比较简单，以下是详细步骤，适用于 Windows、macOS 和 Linux 系统，其中windows系统亲测可用：
一、基础环境准备
- 安装 Python
确保安装 Python 3.8+：- 下载地址：python.org/downloads
- 安装时勾选 "Add Python to PATH"（关键步骤）
- 验证 Python 安装
打开命令行（CMD/PowerShell/ 终端），输入：python --version # 或 python3 --version（macOS/Linux），显示版本号即表示安装成功。
二、安装 Whisper
# 国内镜像加速（可选）
pip install openai-whisper -i https://pypi.tuna.tsinghua.edu.cn/simple
- 安装核心库
命令行输入以下命令（国内用户可加镜像加速）：
# 基础安装（默认包含轻量模型支持） pip install openai-whisper - 安装音频处理依赖
Whisper 需要额外工具处理音频格式：Windows：下载并安装 FFmpeg，将ffmpeg.exe所在目录添加到系统环境变量PATH。
三、下载 Whisper 模型（可选）
Whisper 会自动下载所需模型，也可提前手动下载（推荐大型模型 large-v3 以获得最佳效果）：
# 安装时指定模型（自动下载） pip install "openai-whisper[large-v3]"
模型会保存在以下路径（可手动替换或管理）：
- Windows：
C:\Users\你的用户名\.cache\whisper\ - macOS/Linux：
~/.cache/whisper/
四、基本使用方法
1. 命令行直接转写
# 转写音频文件（支持 WAV/MP3/MP4 等格式）
whisper 你的音频文件路径.wav --model large-v3 --language Chinese
# 示例（替换为你的文件路径）
whisper D:\Net_Program\test\whisper-test.wav --model large-v3 --language Chinese
2. 关键参数说明
--model：指定模型（tiny/base/small/medium/large-v3，越大精度越高，需求资源越多）--language Chinese：指定语言为中文（避免自动检测错误）--output_dir 输出目录：指定结果保存路径--format txt：输出格式（支持 txt/srt/vtt 等）
五、Python 脚本调用（进阶）
import whisper
import os
import pathlib
import subprocess
from zhconv import convert # 用于繁转简
def check_ffmpeg():
"""检查FFmpeg是否安装并配置正确"""
try:
subprocess.run(
["ffmpeg", "-version"],
check=True,
stdout=subprocess.PIPE,
stderr=subprocess.PIPE,
text=True
)
return True
except FileNotFoundError:
print("错误：未找到FFmpeg工具，请先安装并配置环境变量")
return False
except Exception as e:
print(f"FFmpeg检查失败：{str(e)}")
return False
def transcribe_audio(audio_path, model_name="large-v3", language="Chinese"):
# 检查FFmpeg
if not check_ffmpeg():
return None
# 验证音频文件路径
audio_path = str(pathlib.Path(audio_path).resolve())
if not os.path.exists(audio_path):
print(f"错误：音频文件不存在 '{audio_path}'")
return None
if not os.path.isfile(audio_path):
print(f"错误：'{audio_path}' 不是有效的文件")
return None
# 加载模型并转写
try:
print(f"开始加载模型 {model_name}...")
model = whisper.load_model(model_name, device="cpu")
print(f"开始转写文件：{audio_path}")
# 关键设置：明确指定中文，并关闭自动语言检测
result = model.transcribe(
audio=audio_path,
language="Chinese", # 强制指定中文
verbose=True,
fp16=False,
initial_prompt="请用简体中文转写，不要使用繁体中文。" # 提示模型使用简体
)
# 强制将结果转换为简体中文（双重保险）
simplified_text = convert(result["text"], 'zh-cn')
# 保存结果
output_dir = "whisper_results"
os.makedirs(output_dir, exist_ok=True)
audio_name = os.path.splitext(os.path.basename(audio_path))[0]
output_path = os.path.join(output_dir, f"{audio_name}_transcript.txt")
with open(output_path, "w", encoding="utf-8") as f:
f.write(simplified_text)
print(f"\n✅ 转写完成（已转换为简体中文），结果保存至：{output_path}")
return simplified_text
except Exception as e:
print(f"转写过程出错：{str(e)}")
return None
if __name__ == "__main__":
# 安装繁转简依赖（首次运行需要）
try:
import zhconv
except ImportError:
print("正在安装繁转简依赖...")
subprocess.run(["pip", "install", "zhconv"], check=True)
import zhconv
# 替换为你的音频文件路径
audio_file = r"D:\Net_Program\test\whisper-test.wav"
transcribe_audio(audio_file)
六、常见问题解决
- 内存不足
- 若提示
OutOfMemoryError，换用更小的模型（如medium或small） - 关闭其他占用内存的程序（
large-v3建议至少 16GB 内存）
- 若提示
- 音频格式错误
- 用 FFmpeg 转换格式：
ffmpeg -i 输入文件.mp3 -ar 16000 -ac 1 输出文件.wav（转为 16kHz 单声道 WAV）
- 用 FFmpeg 转换格式：
- 模型下载慢
- 手动下载模型文件（可在 Hugging Face 找到），放入
.cache/whisper/目录
- 手动下载模型文件（可在 Hugging Face 找到），放入
通过以上步骤，你可以在本地搭建一个稳定的 Whisper 转写环境，无需依赖 Ollama，直接调用模型进行语音转写。如果追求更高精度，优先使用 large-v3 模型；若注重速度或资源有限，可选择 small 或 base 模型。