whisper是OpenAI公司出品的AI字幕神器，是目前最好的语音生成字幕工具之一，开源且支持本地部署，支持多种语言识别（英语识别准确率非常惊艳）。这篇文章应该是网上目前关于Windows系统部署whisper最全面的中文攻略。

whisper开源地址：https://github.com/openai/whisper

whisper是一个纯命令行工具，所以我再介绍whisper的两个衍生项目：whisper-webui（WebUI版whisper）和buzz（GUI版whisper）。

whisper-webui开源地址：https://huggingface.co/spaces/aadnk/whisper-webui

buzz开源地址：https://github.com/chidiwilliams/buzz

whisper基于python开发，需要用到较多的依赖环境，所以推荐搭建python虚拟环境来安装whisper。虚拟环境这步本教程略过，不影响whisper安装。

首先安装python3.10，既可以在python官网下载安装包，也可以在MicrosoftStore下载安装：

如果你的显卡支持CUDA，前往英伟达官网下载和显卡驱动版本对应的CUDA工具

https://developer.nvidia.com/rdp/cudnn-download

whisper既支持CPU运行也支持GPU运行，根据实际情况安装对应的torch。前往pytorch官网，根据实际情况设置安装参数，然后拷贝对应的命令安装torch：

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

然后安装ffmpeg（下载ffmpeg，把bin目录添加到系列的path环境变量），确保在命令行输入ffmpeg即可正常调用：

准备工作完成就可以安装whisper了，官方提供两种安装方式，最简单方法是通过pip安装打包好的whisper，还可以通过github仓库部署whisper（对网络要求高）：

pip install setuptools-rust #方式一打包安装 pip install -U openai-whisper #方式二github仓库安装 pip install git+https://github.com/openai/whisper.git #github仓库升级 pip install --upgrade --no-deps --force-reinstall git+https://github.com/openai/whisper.git

除了安装主程序，使用whisper还需要下载AI模型文件。官方提供了5个模型文件，默认使用small.pt。显卡性能较好可尝试medium.pt和large.pt模型，识别准确率更高，但速度更慢。

程序下载这几个模型很慢（主要是网络不稳定）。我建议去whisper的_int_.py文件源码里找到这几个文件下载地址，然后用下载软件下载到本地。然后放到路径：C:\Users\用户名\.cache\whisper

安装完毕，如何使用whisper生成字幕文件呢？打开powershell，输入whisper就可以看到程序使用说明：

whisper japanese.wav --language Japanese --model medium

上面这个命令就是分析japanese.wav这个音频文件，指定日语生成字幕。如果需要翻译，还可以加上--task translate参数，但默认只能翻译成英文。

whisper的操作并不直观，所以有两个更加方便的选择whisper-webui和Buzz。Buzz是whisper的GUI版本功能和whisper完全一样。whisper-webui则属于升级版本，提供了生成速度更快的fast-whisper方案。

去Buzz开源地址下载安装包，支持Windows、Linux、macOS，以Windows为例。

安装完成后打开buzz,buzz界面非常简单：话筒按钮直接调用录音软件录音生成字幕；+按钮选择语音或视频文件进行转换，设置选项里可以设置转换语言和调用模型。

使用效果和whisper一致，上手很简单。接下来重点介绍一下whisper-webui：

首先把whisper-webui的仓库git下来：

git clone https://huggingface.co/spaces/aadnk/whisper-webui

然后进入目录运行安装命令（安装时间取决于网络）：

pip install -r requirements.txt pip install -r requirements-fasterWhisper.txt

已经安装了whisper的话，可以去掉下图这行：

新建一个bat文件，命名为webui.bat输入：

python app.py --whisper_implementation faster-whisper --input_audio_max_duration -1

以后双击bat文件即可运行whisper-webui，通过http://127.0.0.1:7860即可访问webui页面：

由于使用的是fast-whisper所以使用过程中需要重新下载模型文件。为什么要用fast-whisper呢？因为相比原版whisper，fast-whisper的生成速度更快需要的显存更小，对显卡的要求更低。官方的说法是显存占用减少一半以上，速度提升3-5倍。实测效果确实更好一点。

注意whisper-webui需要先将源文件上传至临时文件夹，在转换视频这样的大文件时，需要等待文件上传完毕开能点开始生成的按钮，不然程序会报错。

其实视频、音频转文字还有一个更简单的解决方案。现在的剪辑工具比如剪映、必剪都自带语音识别字幕功能。识别准确率不输whisper（汉语准确率更高），速度甚至更胜whisper，也算一个不错解决方案。

1.显卡支持CUDA，也安装了CUDA，但是whisper只调用CPU

一个简单的命令可以测试torch是否成功安装，以及torch是否支持调用CUDA：打开命令行输入python进入python命令行，逐行输入以下命令：

import torch torch.__version__ torch.cuda.is_available()

命令会分别输出torch版本和是否支持调用CUDA。如果你的显卡支持CUDA，但是下载的是CPU版本最好卸载torch重新安装。

2.使用whisper-webui转换视频文件提示ffmpeg报错

视频文件需要通过ffmpeg分离音频，而whisper-webui需要先将源文件上传至临时文件夹，在转换视频这样的大文件时，需要等待文件上传完毕开能点开始生成的按钮，不然程序会报错。