Jak uruchomić lokalnie Whisper AI

Whisper AI od OpenAI to zaawansowany model do transkrypcji mowy na tekst, który można wykorzystać w różnych zastosowaniach, takich jak przetwarzanie plików audio i wideo. Wdrażam go w swoim projekcie Saas

Whisper AI uruchamiam na Linuxie.

Krok 1: Aktualizacja pip

Przed rozpoczęciem instalacji warto upewnić się, że Twoje narzędzie do zarządzania pakietami Pythona, pip, jest aktualne.

pip install --upgrade pip

Krok 2: Instalacja wirtualnego środowiska Python

Stworzenie wirtualnego środowiska jest kluczowe, aby uniknąć konfliktów zależności między różnymi projektami Pythona i utrzymać czystość Twojego systemowego Pythona.

python -m venv whisper-env
source whisper-env/bin/activate

Krok 3: Instalacja Whisper

Instalacja Whisper w aktywowanym wirtualnym środowisku jest prostym krokiem, który pozwala na ładowanie i użycie modelu w Pythonie.

pip install git+https://github.com/openai/whisper.git

Alternatywnie, możesz zainstalować stabilną wersję z PyPI:

pip install openai-whisper

Krok 4: Instalacja ffmpeg

ffmpeg jest niezbędny do przetwarzania plików audio i wideo. Whisper korzysta z ffmpeg do ładowania i przetwarzania plików audio z plików wideo. Bez ffmpeg, Whisper nie będzie w stanie przetwarzać większości formatów plików multimedialnych.

sudo apt update
sudo apt install ffmpeg

Krok 5: Instalacja PyTorch

Jeśli PyTorch nie został zainstalowany automatycznie, zainstaluj go ręcznie:

pip install torch

Krok 6: Pobranie pliku audio lub wideo

Do przykładu użyjemy filmu z YouTube:

Link: Elon Exposes This Tesla Employee Who Leaked Confidential Data

Instalacja yt-dlp

pip install yt-dlp

Pobranie filmu:

yt-dlp https://www.youtube.com/shorts/1Z_sEtFNp2A -o "sample_video.mp4"

Krok 7: Tworzenie skryptu do transkrypcji

Skrypt Pythona jest używany do załadowania modelu Whisper i przekazania mu pliku audio lub wideo do transkrypcji.

Do przykładu użyłem short-a https://www.youtube.com/shorts/1Z_sEtFNp2A

import whisper
import time

def transcribe(audio_path):
    model = whisper.load_model("base")
    print("Model loaded. Starting transcription...")
    start_time = time.time()
    result = model.transcribe(audio_path)
    print(f"Transcription completed in {time.time() - start_time:.2f} seconds.")
    print(result["text"])

if __name__ == "__main__":
    audio_path = "sample_video.mp4"
    transcribe(audio_path)

Krok 8: Uruchomienie skryptu i diagnoza błędów

python3 transcribe.py

Krok 9: Wynik