1.安装anaconda软件
在如下网盘免费获取软件：
链接：https://pan.baidu.com/s/1zOZCQOeiDhx6ebHh5zNasA
提取码：hfnd
2.使用conda命令创建python3.8环境
conda create -n whisper python==3.8 3.进入whisper虚拟环境
conda activate whisper 4.安装cuda10.0的PyTorch环境
pip --trusted-host pypi.tuna.tsinghua.edu.cn install torch==1.10.1+cu102 torchvision==0.11.2+cu102 torchaudio==0.10.1 -f https://download.pytorch.org/whl/torch_stable.html 5.使用命令安装whisper库包
pip install -U openai-whisper 6.简单使用命令识别一段语音：
whisper output.wav --model medium --language Chinese 6.安装和配置ffmpeg软件
在如下网盘免费获取软件：
配置只需要解压后将文件里面的bin路径放入系统环境变量Path中即可
7.安装cuda软件
cuda11.0软件百度网盘获取：
链接：https://pan.baidu.com/s/1KOJfAVR6nKmVafNnmbsYDw
提取码：lblh
cudnn11.0百度网盘获取：
链接：https://pan.baidu.com/s/1CBuq7jflihEDuclSq-RTJA
提取码：efgu
6.打开pycharm软件编写代码
7.可以实时录音并且语音转中文的代码编写（使用cpu运行）
import whisper import zhconv import wave # 使用wave库可读、写wav类型的音频文件 import pyaudio # 使用pyaudio库可以进行录音，播放，生成wav文件 def record(time): # 录音程序 # 定义数据流块 CHUNK = 1024 # 音频帧率（也就是每次读取的数据是多少，默认1024） FORMAT = pyaudio.paInt16 # 采样时生成wav文件正常格式 CHANNELS = 1 # 音轨数（每条音轨定义了该条音轨的属性,如音轨的音色、音色库、通道数、输入/输出端口、音量等。可以多个音轨，不唯一） RATE = 16000 # 采样率（即每秒采样多少数据） RECORD_SECONDS = time # 录音时间 WAVE_OUTPUT_FILENAME = "./output.wav" # 保存音频路径 p = pyaudio.PyAudio() # 创建PyAudio对象 stream = p.open(format=FORMAT, # 采样生成wav文件的正常格式 channels=CHANNELS, # 音轨数 rate=RATE, # 采样率 input=True, # Ture代表这是一条输入流，False代表这不是输入流 frames_per_buffer=CHUNK) # 每个缓冲多少帧 print("* recording") # 开始录音标志 frames = [] # 定义frames为一个空列表 for i in range(0, int(RATE / CHUNK * RECORD_SECONDS)): # 计算要读多少次，每秒的采样率/每次读多少数据*录音时间=需要读多少次 data = stream.read(CHUNK) # 每次读chunk个数据 frames.append(data) # 将读出的数据保存到列表中 print("* done recording") # 结束录音标志 stream.stop_stream() # 停止输入流 stream.close() # 关闭输入流 p.terminate() # 终止pyaudio wf = wave.open(WAVE_OUTPUT_FILENAME, 'wb') # 以’wb‘二进制流写的方式打开一个文件 wf.setnchannels(CHANNELS) # 设置音轨数 wf.setsampwidth(p.get_sample_size(FORMAT)) # 设置采样点数据的格式，和FOMART保持一致 wf.setframerate(RATE) # 设置采样率与RATE要一致 wf.writeframes(b''.join(frames)) # 将声音数据写入文件 wf.close() # 数据流保存完，关闭文件 if __name__ == '__main__': model = whisper.load_model("tiny") record(3) # 定义录音时间，单位/s result = model.transcribe("output.wav",language='Chinese',fp16 = True) s = result["text"] s1 = zhconv.convert(s, 'zh-cn') print(s1) 8.可以实时录音并且语音转中文的代码编写（使用gpu运行）
import whisper import zhconv import wave # 使用wave库可读、写wav类型的音频文件 import pyaudio # 使用pyaudio库可以进行录音，播放，生成wav文件 def record(time): # 录音程序 # 定义数据流块 CHUNK = 1024 # 音频帧率（也就是每次读取的数据是多少，默认1024） FORMAT = pyaudio.paInt16 # 采样时生成wav文件正常格式 CHANNELS = 1 # 音轨数（每条音轨定义了该条音轨的属性,如音轨的音色、音色库、通道数、输入/输出端口、音量等。可以多个音轨，不唯一） RATE = 16000 # 采样率（即每秒采样多少数据） RECORD_SECONDS = time # 录音时间 WAVE_OUTPUT_FILENAME = "./output.wav" # 保存音频路径 p = pyaudio.PyAudio() # 创建PyAudio对象 stream = p.open(format=FORMAT, # 采样生成wav文件的正常格式 channels=CHANNELS, # 音轨数 rate=RATE, # 采样率 input=True, # Ture代表这是一条输入流，False代表这不是输入流 frames_per_buffer=CHUNK) # 每个缓冲多少帧 print("* recording") # 开始录音标志 frames = [] # 定义frames为一个空列表 for i in range(0, int(RATE / CHUNK * RECORD_SECONDS)): # 计算要读多少次，每秒的采样率/每次读多少数据*录音时间=需要读多少次 data = stream.read(CHUNK) # 每次读chunk个数据 frames.append(data) # 将读出的数据保存到列表中 print("* done recording") # 结束录音标志 stream.stop_stream() # 停止输入流 stream.close() # 关闭输入流 p.terminate() # 终止pyaudio wf = wave.open(WAVE_OUTPUT_FILENAME, 'wb') # 以’wb‘二进制流写的方式打开一个文件 wf.setnchannels(CHANNELS) # 设置音轨数 wf.setsampwidth(p.get_sample_size(FORMAT)) # 设置采样点数据的格式，和FOMART保持一致 wf.setframerate(RATE) # 设置采样率与RATE要一致 wf.writeframes(b''.join(frames)) # 将声音数据写入文件 wf.close() # 数据流保存完，关闭文件 if __name__ == '__main__': model = whisper.load_model("base") record(3) # 定义录音时间，单位/s audio = whisper.load_audio("output.wav") audio = whisper.pad_or_trim(audio) mel = whisper.log_mel_spectrogram(audio).to(model.device) _, probs = model.detect_language(mel) print(f"Detected language: {max(probs, key=probs.get)}") options = whisper.DecodingOptions(language='Chinese',fp16 = True) result = whisper.decode(model, mel, options) s1 = zhconv.convert(result.text, 'zh-cn') print(s1) 9.展示实时翻译结果
