☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

大家好，我是风筝

两年前，将音视频文件转换为文字内容的需求难以实现，但是如今只需几分钟便可轻松解决。

据说一些公司为了获取训练数据，已经对抖音、快手等短视频平台上的视频进行了全面爬取，然后将视频中的音频提取出来转换成文本形式，用作大数据模型的训练语料。

如果您需要将视频或音频文件转换为文字，可以尝试今天提供的这个开源解决方案。例如，可以搜索*节目的对话出现的具体时间点。

话不多说，进入正题。

Whisper

这个方案就是 OpenAI 开源的 Whisper，当然是用 Python 写的了，只需要简单安装几个包，然后几行代码一写，稍等片刻（根据你的机器性能和音视频长度不一），最终的文本内容就出来了，就是这么简单。

GitHub 仓库地址：https://github.com/openai/whisper

Fast-Whisper

尽管已经相当简化，但对于程序员而言仍不够精简。毕竟，程序员们往往偏爱简洁高效。虽然安装和调用Whisper已经相对容易，但仍需要单独安装PyTorch、ffmpeg，甚至Rust。

因此，Fast-Whisper应运而生，它比Whisper更快速、更简洁。Fast-Whisper并非仅仅是对Whisper进行简单封装，而是通过采用CTranslate2重新构建了OpenAI的Whisper模型。CTranslate2是Transformer模型的一种高效推理引擎。

总结一下，也就是比 Whisper 更快，官方的说法是比 Whisper 快了 4-8 倍。不仅能支持 GPU ，还能支持 CPU，连我这台破 Mac 也能用。

刺鸟创客

一款专业高效稳定的AI内容创作平台

110 查看详情

GitHub 仓库地址：https://github.com/SYSTRAN/faster-whisper

使用起来就两步。

1. 安装依赖包

pip install faster-whisper

2. 写代码，

from faster_whisper import WhisperModelmodel_size = "large-v3"# Run on GPU with FP16model = WhisperModel(model_size, device="cuda", compute_type="float16")# or run on GPU with INT8# model = WhisperModel(model_size, device="cuda", compute_type="int8_float16")# or run on CPU with INT8# model = WhisperModel(model_size, device="cpu", compute_type="int8")segments, info = model.transcribe("audio.mp3", beam_size=5)print("Detected language '%s' with probability %f" % (info.language, info.language_probability))for segment in segments:print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

没错，就是这么简单。

能做什么呢

正好有个朋友想做短视频，发一些鸡汤文学的视频，鸡汤就来自于一些名家访谈的视频。但是，他又不想把完整的视频看一遍，就想用最快的方式把文本内容弄下来，然后读文字，因为读文字要比看一篇视频快的多，而且还可以搜索。

我就说，连完整的看一篇视频的虔诚之心都没有，能经营好账号吗。

于是我给他做了一个，就是用的 Fast-Whisper。

客户端

客户端用 Swift ，只支持 Mac 端。

1. 选则一个视频；
2. 然后点击「提取文本」，这时会调用 Python 接口，需要等待一段时间；
3. 加载解析出的文本以及出现的开始、截止时间；
4. 选了一个开始时间和一个结束事件；
5. 点击「导出」按钮，视频片段就导出了；

，时长00:10

服务端

服务端当然就是 Python ，然后用 Flask 包装一下，对外放开接口。

from flask import Flask, request, jsonifyfrom faster_whisper import WhisperModelapp = Flask(__name__)model_size = "large-v2"model = WhisperModel(model_size, device="cpu", compute_type="int8")@app.route('/transcribe', methods=['POST'])def transcribe():# Get the file path from the requestfile_path = request.json.get('filePath')# Transcribe the filesegments, info = model.transcribe(file_path, beam_size=5, initial_prompt="简体")segments_copy = []with open('segments.txt', 'w') as file:for segment in segments:line = "%.2fs|%.2fs|[%.2fs -> %.2fs]|%s" % (segment.start, segment.end, segment.start, segment.end, segment.text)segments_copy.append(line)file.write(line + '\n')# Prepare the responseresponse_data = {"language": info.language,"language_probability": info.language_probability,"segments": []}for segment in segments_copy:response_data["segments"].append(segment)return jsonify(response_data)if __name__ == '__main__':app.run(debug=False)

以上就是真快！几分钟就把视频语音识别为文本了，不到10行代码的详细内容，更多请关注其它相关文章！

# 语音识别  # 毒蛇啤酒营销推广公司  # 全网推广营销网站  # 技术推广思维营销策划  # SEO人才落户政策  # 开源  # 音视频  # 这么简单  # 转换为  # 真快  # 有什么  # 就把  # 多线程  # 几分钟  # type  # udio  # 抖音  # rust  # pytorch  # 推广网站便宜吗知乎  # 国内网络营销推广多少钱  # 长乐厦门网站建设哪家好  # 国内推广论坛有哪些网站  # 网站建设推广销售  # 深圳抖音营销推广收费 

相关栏目： 【 行业资讯67740 】 【 技术百科0 】 【 网络运营39195 】

相关推荐： cmd如何定时执行命令  导航power在汽车上是什么意思  单片机log怎么看  如何安装大华固态硬盘  soup是什么意思  空调控制面板power灯一直亮是什么意思  春运抢票最快几天能成功  j*a里数组怎么赋值  通配符的用法  市盈率300是什么意思  汽车的type-c接口是什么  如何弄坏固态硬盘  交管12123协议头不完整是啥意思  手机换电池要多少钱  负市盈率是什么意思  j*a数组求和怎么算  苹果怎么没出5g手机  苹果16都有哪些型号  市盈率ttm市盈动静是什么意思  得物怎样不扣手续费 如何通过得物不支付手续费  43寸电视长宽多少厘米  如何用adb命令停用系统软件  自己如何安装固态硬盘  折叠屏有哪些手机  play的三人称单数和过去式  unix时间戳是什么意思  春运抢票哪个城市好抢  夸克前缀后缀什么意思啊  j*a数组怎么新增值  征信信用不好如何恢复 征信信用不好如何恢复指南  单片机怎么计算0xf0  如何打开win10命令  命令不执行如何处理  破太岁是什么意思  单片机串口接收怎么实现  如何体验苹果16系统  内在市盈率是什么意思  哪个品牌有折叠屏手机卖  openwrt有哪些功能  a股等权平均市盈率是什么意思  迅达热水器显示power是什么意思  360n7锁屏壁纸怎么固定  typescript的文件如何执行  nosql数据库的应用场景有哪些  win7如何打开命令行窗口  一年多少周  a03怎么根据编号找文链接入口  春运抢票准备什么  苹果16有哪些自带配件  typescript如何使用