基于whisper和ffmpeg语音转文本小程序

目录

一、环境准备

✅ 第一步：安装并准备 Conda 环境

✅ 第二步：创建 Whisper 专用的 Conda 虚拟环境

✅ 第三步：安装 GPU 加速版 PyTorch（适配 RTX 4060）

✅ 第四步：安装 Whisper 和 FFMPEG 依赖

✅ 补充：可以切换到国内镜像（加速）

二、编写代码实现语音转文本功能

✅ 第一步：创建并运行 Whisper 脚本

✅ 第二步：转录完成！🎉

✅ 注意事项：

1. import whisper

2. file_path = r"..."

3. model = whisper.load_model("medium")

4. result = model.transcribe(file_path, verbose=True)

5. print("📄 识别内容：") 和 print(result["text"])

总结底层流程：

三、TXT格式美化

四、例句对照翻译

五、常见报错

✅ 解决方法：给 Python 显式指定 ffmpeg.exe 的路径

六、更高级的功能——使用PyQt添加GUI

---

一、环境准备

✅ 第一步：安装并准备 Conda 环境

如果你还没装 Conda（Anaconda 或 Miniconda），请先下载安装：

推荐下载 Miniconda（轻量）：
👉 Miniconda 官网下载地址
下载 Windows 64-bit 安装版并安装（默认设置即可）。

✅ 第二步：创建 Whisper 专用的 Conda 虚拟环境

打开 Anaconda Prompt 或 CMD 命令行，依次输入以下命令：

# 创建一个新环境，名字叫 whisper_env，使用 Python 3.10
conda create -n whisper_env python=3.10 -y# 进入这个环境
conda activate whisper_env

✅ 第三步：安装 GPU 加速版 PyTorch（适配 RTX 4060）

也可以对照自己的设备安装其他版本或CPU版本。

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

这个命令会安装支持 CUDA 11.8 的 PyTorch，完美适配 RTX 4060，自动使用 GPU 加速。

✅ 第四步：安装 Whisper 和 FFMPEG 依赖

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

✅ 补充：可以切换到国内镜像（加速）

如果你还是下载慢或失败，也可以加上清华源：

pip install -U openai-whisper -i https://pypi.tuna.tsinghua.edu.cn/simple

安装成功后你可以验证一下：

python -c "import whisper; print(whisper.__version__)"

 确认没有报错即可。

还需要你手动安装 ffmpeg 可执行文件（一次性操作）：

Windows 下安装 FFmpeg：

1. 访问：https://www.gyan.dev/ffmpeg/builds/

2. 下载 “Release full” 版本（Zip 文件）

3. 解压到任意文件夹，例如：C:\ffmpeg

4. 把 C:\ffmpeg\bin 添加到系统环境变量 Path 中：

   • 搜索“环境变量” → 编辑系统变量 → 找到 Path → 添加 C:\ffmpeg\bin

验证成功：打开新的命令行窗口，输入：

ffmpeg -version

二、编写代码实现语音转文本功能

✅ 第一步：创建并运行 Whisper 脚本

1. 在当前目录创建 whisper_transcribe_gpu.py，填入以下代码：

import whisper
import osdef transcribe_audio(file_path, model_size="large"):if not os.path.isfile(file_path):print("❌ 找不到文件：", file_path)returnprint(f"🎯 加载 Whisper 模型（{model_size}）...")model = whisper.load_model(model_size)print(f"🧠 正在识别音频：{file_path}")result = model.transcribe(file_path, fp16=True)  # 使用 GPU 加速print("\n📄 识别内容：\n")print(result["text"])output_file = os.path.splitext(file_path)[0] + "_transcription.txt"with open(output_file, "w", encoding="utf-8") as f:f.write(result["text"])print(f"\n✅ 转录已保存至：{output_file}")# 举例用法
if __name__ == "__main__":transcribe_audio("7 Test4.Section1.mp3", model_size="large")

• 将你的 MP3 文件（比如 7 Test4.Section1.mp3）放到这个脚本同目录下。

• 运行脚本：

python whisper_transcribe_gpu.py

✅ 第二步：转录完成！🎉

你将会在终端看到转录内容，并且自动保存为 .txt 文本文件。

✅ 注意事项：

使用ffmpeg转换文件格式：

CMD输入：

 ffmpeg -i "D:\xx\Programs\VS_Py_AudiosConvertText\audios\_7Test4_Section1.mp3" -ar 16000 -ac 1 -c:a pcm_s16le "D:\xxx\Programs\VS_Py_AudiosConvertText\audios\_7Test4_Section1.wav"

文件路径格式：

“xxx\xxx.mp3”

“xxx\xxx.wav”

“xxx\xxx.m4a”（录音文件）

……

import whisperfile_path = "audios\录音.m4a"
model = whisper.load_model("medium")result = model.transcribe(file_path, verbose=True)print("📄 识别内容：")
print(result["text"])output_txt_path = "results\录音.txt"
with open(output_txt_path, "w", encoding="utf-8") as f:f.write(result["text"])

1. import whisper

• 这是导入 OpenAI 的 Whisper 语音识别库的 Python 模块。

• Whisper 底层是一个基于 Transformer 架构的端到端语音识别模型，支持多种语言的语音转文字。

---

2. file_path = r"..."

• 指定要识别的音频文件的路径。

• r""是Python的原始字符串表示法，避免路径中的反斜杠被误解析。

---

3. model = whisper.load_model("medium")

• 调用 Whisper 的 load_model 函数加载一个预训练的模型，这里选用的是 "medium" 版本。

• Whisper 提供多种模型大小（tiny, base, small, medium, large），不同模型准确度和运行速度不同。

• 这个加载过程会在后台从本地缓存或网络下载模型权重文件，初始化模型结构。

• 加载后模型就可以接受音频输入，做后续识别。

---

4. result = model.transcribe(file_path, verbose=True)

• 这里调用了模型的 transcribe 方法，传入音频文件路径，执行音频识别任务。

• transcribe 内部做了以下步骤：

  • 音频预处理：将音频文件解码成统一采样率的波形数据（通常是16kHz单声道）。

  • 特征提取：将音频波形转换成声学特征（如梅尔频谱），这是模型输入的格式。

  • 模型推理：通过 Transformer 模型进行前向计算，解码出对应的文本序列。

  • 解码：模型输出的是概率分布，结合语言模型概率，使用贪心或beam search方法确定最终的文字。

  • 可选参数 verbose=True 会在识别过程中打印详细的日志，帮助调试和观察进度。

• 返回结果 result 是一个字典，至少包含 "text" 字段，是识别出来的文本内容。

---

5. print("📄 识别内容：") 和 print(result["text"])

• 这两行是将识别结果文本打印到控制台。

6. 保存识别结果到txt文件：

output_txt_path = r"..."
with open(output_txt_path, "w", encoding="utf-8") as f:f.write(result["text"])

总结底层流程：

1. 加载预训练模型（初始化模型参数和结构）

2. 读取并预处理音频数据

3. 使用模型进行声学特征提取和文本解码

4. 输出文字识别结果

5. 将结果保存到文件。

三、TXT格式美化

import whisperfile_path = "audios\_7Test4_Section1.wav"
model = whisper.load_model("large")# 进行转录
result = model.transcribe(file_path, verbose=True)# 输出路径
output_txt_path = "results\result_output.txt"# 保存为纯文本格式（无时间戳）
with open(output_txt_path, "w", encoding="utf-8") as f:f.write("Detecting language using up to the first 30 seconds. Use `--language` to specify the language\n")f.write(f"Detected language: {result['language'].capitalize()}\n")f.write(result["text"].strip())  # 写入识别结果的纯文本部分print("✅ 文本文件保存完成（无时间戳）！路径如下：")
print(output_txt_path)

四、例句对照翻译

使用 whisper 提取的英文文本，再用 Google Translate 或 deep-translator 这类工具翻译成中文，然后生成如下格式的中英对照文本：

🛠 安装依赖（只需一次）： 

pip install deep-translator

✅ 脚本代码：

import whisper
from deep_translator import GoogleTranslator
import os
# 添加 ffmpeg 路径到系统环境变量中（你之前写的）
os.environ["PATH"] += os.pathsep + r"D:\LiuYanhong\Apps\Ffmpeg\ffmpeg-7.1.1-full_build\ffmpeg-7.1.1-full_build\bin"file_path = "audios\_7Test4_Section1.mp3"model = whisper.load_model("small", device='cpu')  # 使用 CPU 进行转录，避免内存不足问题# 转录音频
result = model.transcribe(file_path, verbose=True, fp16=False)  # 使用 CPU 进行转录，避免内存不足问题# 提取文本，按句子拆分
text = result["text"].strip()
sentences = [s.strip() for s in text.split('.') if s.strip()]
# 补上句号
sentences = [s + '.' for s in sentences]# 翻译
translator = GoogleTranslator(source='en', target='zh-CN')translated_sentences = [translator.translate(s) for s in sentences]# 确保保存目录存在
output_dir = "results"
os.makedirs(output_dir, exist_ok=True)# 生成保存路径
base_name = os.path.splitext(os.path.basename(file_path))[0]
output_txt_path = os.path.join(output_dir, f"{base_name}_transcription.txt")# 写入中英对照内容
with open(output_txt_path, "w", encoding="utf-8") as f:f.write("Detecting language using up to the first 30 seconds. Use `--language` to specify the language\n")f.write(f"Detected language: {result['language'].capitalize()}\n\n")for en, zh in zip(sentences, translated_sentences):f.write(en + "\n")f.write(zh + "\n\n")print("✅ 中英对照文本文件保存完成！路径如下：")
print(output_txt_path)

五、常见报错

FileNotFoundError: [WinError 2] 系统找不到指定的文件。

这个错误 [WinError 2] 系统找不到指定的文件。 明确是因为 Whisper 在底层调用 ffmpeg 时找不到 ffmpeg 可执行文件。

虽然你可以在命令行中用 ffmpeg 成功转换音频，但是 Python 中的 Whisper 并不会使用你系统 PATH 中的 ffmpeg，它会调用 ffmpeg 命令，要求它能在 Python 环境里被找到。

最常见的一个报错：

✅ 解决方法：给 Python 显式指定 ffmpeg.exe 的路径

你只需要把 ffmpeg.exe 所在的文件夹加入到 Python 脚本的环境变量中。操作如下：

import os
# 添加 ffmpeg 路径到系统环境变量中（你之前写的）
os.environ["PATH"] += os.pathsep + r"D:\LiuYanhong\Apps\Ffmpeg\ffmpeg-7.1.1-full_build\ffmpeg-7.1.1-full_build\bin"

六、更高级的功能——使用PyQt添加GUI

import sys
import os
from PyQt5.QtWidgets import (QApplication, QWidget, QLabel, QPushButton,QVBoxLayout, QFileDialog, QTextEdit, QMessageBox,QComboBox, QCheckBox
)
from PyQt5.QtCore import QThread, pyqtSignal
import whisper
from deep_translator import GoogleTranslator# 添加 ffmpeg 路径
os.environ["PATH"] += os.pathsep + r"D:\LiuYanhong\Apps\Ffmpeg\ffmpeg-7.1.1-full_build\ffmpeg-7.1.1-full_build\bin"# Whisper 模型
model = whisper.load_model("small", device="cpu")# 可选语言映射
LANGUAGES = {"英语 (English)": "en","中文 (Chinese)": "zh-CN","日语 (Japanese)": "ja","韩语 (Korean)": "ko","法语 (French)": "fr","德语 (German)": "de","西班牙语 (Spanish)": "es","俄语 (Russian)": "ru"
}class TranscriptionWorker(QThread):finished = pyqtSignal(str, str)error = pyqtSignal(str)def __init__(self, file_path, source_lang, target_lang, translate_enabled=True):super().__init__()self.file_path = file_pathself.source_lang = source_langself.target_lang = target_langself.translate_enabled = translate_enableddef run(self):try:result = model.transcribe(self.file_path,language=self.source_lang if self.source_lang != "auto" else None,verbose=False,fp16=False)text = result["text"].strip()sentences = [s.strip() for s in text.split('.') if s.strip()]sentences = [s + '.' for s in sentences]output = f"Detected language: {result['language']}\n\n"if self.translate_enabled:translator = GoogleTranslator(source='auto', target=self.target_lang)translated_sentences = [translator.translate(s) for s in sentences]for en, zh in zip(sentences, translated_sentences):output += f"{en}\n{zh}\n\n"else:output += "\n".join(sentences)# 保存结果output_dir = "results"os.makedirs(output_dir, exist_ok=True)base_name = os.path.splitext(os.path.basename(self.file_path))[0]output_path = os.path.join(output_dir, f"{base_name}_transcription.txt")with open(output_path, "w", encoding="utf-8") as f:f.write(output)self.finished.emit(output, output_path)except Exception as e:self.error.emit(str(e))class TranscriptionApp(QWidget):def __init__(self):super().__init__()self.setWindowTitle("语音识别 + 翻译助手（多线程+语言选择）")self.setGeometry(300, 300, 620, 500)self.layout = QVBoxLayout()self.label = QLabel("请选择音频/视频文件：")self.layout.addWidget(self.label)self.result_box = QTextEdit()self.result_box.setReadOnly(True)self.layout.addWidget(self.result_box)# 源语言选择self.source_lang_box = QComboBox()self.source_lang_box.addItem("自动检测语言", "auto")for name, code in LANGUAGES.items():self.source_lang_box.addItem(name, code)self.layout.addWidget(QLabel("原始语言（Whisper识别语言）："))self.layout.addWidget(self.source_lang_box)# 目标语言选择self.target_lang_box = QComboBox()for name, code in LANGUAGES.items():self.target_lang_box.addItem(name, code)self.target_lang_box.setCurrentText("中文 (Chinese)")self.layout.addWidget(QLabel("翻译目标语言："))self.layout.addWidget(self.target_lang_box)# 是否翻译的复选框self.translate_checkbox = QCheckBox("是否翻译识别结果")self.translate_checkbox.setChecked(True)self.layout.addWidget(self.translate_checkbox)self.select_button = QPushButton("选择文件")self.select_button.clicked.connect(self.select_audio)self.layout.addWidget(self.select_button)self.transcribe_button = QPushButton("开始识别")self.transcribe_button.clicked.connect(self.transcribe_and_translate)self.layout.addWidget(self.transcribe_button)self.setLayout(self.layout)self.audio_path = Noneself.worker = Nonedef select_audio(self):path, _ = QFileDialog.getOpenFileName(self, "选择音频/视频文件", "", "音频/视频文件 (*.mp3 *.wav *.m4a *.flac *.mp4)")if path:self.audio_path = pathself.label.setText(f"已选择：{os.path.basename(path)}")self.result_box.setPlainText("")def transcribe_and_translate(self):if not self.audio_path:QMessageBox.warning(self, "警告", "请先选择一个文件！")returnsource_lang = self.source_lang_box.currentData()target_lang = self.target_lang_box.currentData()translate_enabled = self.translate_checkbox.isChecked()self.result_box.setPlainText("🎧 正在识别中，请稍候...")self.transcribe_button.setEnabled(False)self.worker = TranscriptionWorker(self.audio_path, source_lang, target_lang, translate_enabled)self.worker.finished.connect(self.on_result)self.worker.error.connect(self.on_error)self.worker.start()def on_result(self, result_text, save_path):self.result_box.setPlainText(result_text)self.transcribe_button.setEnabled(True)QMessageBox.information(self, "完成", f"✅ 操作完成，已保存到：\n{save_path}")def on_error(self, error_msg):self.result_box.setPlainText("")self.transcribe_button.setEnabled(True)QMessageBox.critical(self, "错误", f"❌ 错误：\n{error_msg}")if __name__ == "__main__":app = QApplication(sys.argv)window = TranscriptionApp()window.show()sys.exit(app.exec_())