Linux系统上部署Whisper。

Whisper是一个开源的自动语音识别（ASR）模型，最初由OpenAI发布。要在本地Linux系统上部署Whisper，你可以按照以下步骤进行：

1. 创建虚拟环境

为了避免依赖冲突，建议在虚拟环境中进行部署。创建并激活一个新的虚拟环境：
如果不知道 conda如何安装
找作者这篇文章 最后面有安装conda教程https://blog.csdn.net/yhl18931306541/article/details/129141060?spm=1001.2014.3001.5501打开上方网址，划到最后位置，按照作者的一步一步来即可

conda create --name whisper python=3.11.7
conda activate whisper

进入到虚拟环境执行下方命令

2. 安装Whisper及其依赖项

使用pip安装Whisper及其依赖项：

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

3. 测试安装

你可以运行以下命令来测试Whisper是否安装成功：

python -m whisper

如果看到帮助信息，说明安装成功。

4. 使用Whisper

Whisper可以通过命令行或Python脚本来使用。以下是一个基本的使用示例：

命令行使用：

whisper audio_file.mp3 --model large-v2
将 audio_file.mp3 换成 你准备识别的语音，回车等待即可

python脚本使用：

# 导入模块
from faster_whisper import WhisperModel# 模型路径, 
# # model_path = WhisperModel("large-v3")
# 注释：下载路径需要使用代理出外网下载，将下载好的模型上传到linux服务中
model_path = "/root/.cache/huggingface/hub/models--Systran--faster-whisper-large-v3/snapshots/edaa852ec7e145841d8ffdb056a99866b5f0a478"# 初始化 WhisperModel
model = WhisperModel(model_size_or_path=model_path,  # 必须提供模型路径或模型大小device="cuda",           	# 使用 GPU    device_index=1,    			# 指定第二个 GPU（从 0 开始计数）compute_type="float32"   # 使用 float32 精度计算
)
# 进行语音识别
segments, info = model.transcribe("/opt/189****2345.wav", beam_size=5, language="zh", condition_on_previous_text=False)
# 注释 189****2345.wav 换成你准备识别的语音  .mp3文件可以
# 打印识别结果
for segment in segments:print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text)
)

输入如下即可

如果报错：

Could not load library libcudnn_ops_infer.so.8. Error: libcudnn_ops_infer.so.8: cannot open shared object file: No such file or directory
已放弃 (核心已转储)

处理:

find / -name 'libcudnn_ops_infer.so.8'
虚拟用户目录下
whisper/lib/python3.11/site-packages/nvidia/cudnn/lib/libcudnn_ops_infer.so.8
cp -rp /data/anaconda3/envs/whisper/lib/python3.11/site-packages/nvidia/cudnn/lib/*.8 /usr/lib/
cp -rp /data/anaconda3/envs/whisper/lib/python3.11/site-packages/nvidia/cudnn/lib/*.8 /usr/lib64/
继续运行即可

这些步骤应该可以帮助你在本地Linux系统上成功部署并使用Whisper。

注：下载模型时，需要到外网去下载，使用科学上网方式。

如果本身服务器出不了外网，则将模型下载到本地，然后打包上传到服务器。