【AI工具篇】使用OpenAI开源的Whisper模型，制作本地离线的视频或音频转文本功能...

有时候在看一些学习视频时候，难免感觉进度太慢，或者学习视频太枯燥，想自己根据视频关键信息做总结或快速浏览，想着如果有一个工具，我把视频丢进去，它自己给我生成里面语音的所有文本的信息，然后我自己根据文本来提炼关键的有用的信息，还可以节约看视频的时间，是不是会很Nice? 于是，前一天经过一位小伙伴的推荐，使用一款OpenAI开源的模型，也就是今天的主角——Whisper，来实现我们的上面这个偷懒的功能。

首先，去hugging face网上下载对应的模型，该模型分为几个不同的档次，可以根据自己的电脑配置要求来。例如，显卡显存、或者内存。如果使用CPU计算，可以使用内存，不过准确度会降低；如果使用显卡计算，就会提高很多准确度。同时，模型对显存需求越大，也代表精确越高。

模型下载地址：https://huggingface.co/ggerganov/whisper.cpp

选择模型版本，根据自己需要选择。我的电脑是老古董了，还用着1060的卡，但是足够用了，就这么着吧。如果配置比较差的情况下，建议适当选择其他模型。large模型比较大，但是会更准确一些。我这边就用large系列模型好了，虽然显卡不咋地，但是跑这个还是够用了。

然后下载官方提供的客户端，客户端下载可能需要梯子，此处为了节省大家时间，我下载了个最新版本的客户端(截止到2023年4月1日)放网盘上，可在本公众号【Dotnet Dancer】后台回复【AI文本提取】进行获取编译后的客户端以及官方客户端源码(C++和C#开发的源码)

进入到解压缩文件夹，双击exe运行

打开页面，选择模型文件

选择GPU，然后在 advanced里面选择你的显卡，例如我的老破小GTX1060

点击OK，加载模型

然后选择语言，例如我的视频是中文版的，就选择中文

然后选择需要处理的音视频文件，以及选择输出文本样式格式（例如我选择的是带时间线的，每个文本会自带文字信息）和需要保存的文件名称等。

完了以后，点击Transcribe，然后开始执行，电脑也开始轰轰响(毕竟是老古董)

右上角勾选debug console,可以打开控制台，查看实时信息

按Ctrl C，或者取消掉勾选，控制台实时日志就会关闭掉。

让机器跑一会儿，看了下视频有点大，接近俩小时，可能要个几分钟。

两分钟过去了……

看来还要点时间，我去喝杯茶压压惊先，等下再回来续写。

……

看来机器不给力，又三分钟过去了，看样子才1/4 ~ 1/3的样子。

继续喝杯茶压压惊提提神

……

大概20分钟又过去了，虽然还没完成，看来黎明就在眼前~

老古董电脑太卡了，显卡还是有点小压力~~~

……又过了三分钟，弹出提示OK了.一共用了40分钟，视频是1小时29分钟，看来还是得需要牛逼点的显卡啊！！！我这款1060老破小，还算勉强能用。

接下来看提取的内容的效果

哦豁，基本上内容没毛病，和视频内的发音内容很一致，说明OK，拉到最底下看看：

嗯，也没毛病，说明提示的效果还可以接受，错别字也很少。

以上就是该文章的全部内容。

祝大家玩的愉快~~~