C++实现语音识别（Whisper.cpp）入门教程

C++实现语音识别（Whisper.cpp）入门教程

引用

CSDN

1.

https://blog.csdn.net/hhy321/article/details/139890557

本文将介绍如何使用C++实现语音识别，具体使用的是OpenAI的Whisper模型的C/C++端口——whisper.cpp。文章将详细讲解从环境搭建、模型下载到实际测试的全过程。

1. 简介

Whisper 是一种通用语音识别模型。它是在各种音频的大型数据集上训练的，也是一个多任务模型，可以执行多语言语音识别、语音翻译和语言识别。

2. 环境准备

2.1 Visual Studio 2017

请访问 Visual Studio 下载页面 进行安装。

2.2 CMake

请访问 CMake 下载页面 进行安装。

3. whisper.cpp 下载与编译

3.1 下载whisper.cpp

whisper.cpp 是 OpenAI 的 Whisper 模型的 C/C++ 端口，可以通过 GitHub 下载源码：

git clone https://github.com/ggerganov/whisper.cpp.git

然后通过 models/download-ggml-model.cmd 进行权重文件下载：

models/download-ggml-model.cmd tiny
models/download-ggml-model.cmd base

整个 whisper 系列一共有5个级别的模型，按参数量进行排序，分别是微型 tiny，基本 base，小型 small，中型 medium，大型 large。参数 base 可以替换为 base.en, tiny, tiny.en, small, small.en, medium, medium.en, large。带 en 后缀的表示是英语模型，不带 en 后缀的是多国语言模型。

3.2 编译whisper.cpp

进入项目目录并生成 VS 工程文件：

mkdir build
cd build
cmake ..

编译生成 main 程序。

4. 测试

执行 main.exe 进行语音识别测试：

main.exe -m C:\Users\tomcat\Desktop\yxy\whisper.cpp\models\ggml-base.bin -f C:\Users\tomcat\Desktop\yxy\whisper.cpp\build\bin\Debug\output.wav -l zh

可以修改参数后再次执行：

main.exe -m C:\Users\tomcat\Desktop\yxy\whisper.cpp\models\ggml-base.bin -f C:\Users\tomcat\Desktop\yxy\whisper.cpp\build\bin\Debug\output.wav

5. 批量处理

可以编写批处理脚本进行批量语音识别：

chcp 65001
@echo off
REM 设置 PATH 环境变量,包含whisper可执行文件
SET PATH=%PATH%;C:\python312\Scripts
REM 指定所有视频所在路径，支持多级目录。
SET "video_dir=C:output"
REM 循环遍历所有视频
FOR /R "%video_dir%" %%f IN (*.mp4,*.wav,*.avi,*.ts) DO (
    
    REM 提取视频文件名 
    SET "file_name=%%~nf"
    
    REM 切换到视频所在目录
    cd /d "%%~dpf"
    
    REM 为这个视频生成wav音频文件
    ffmpeg.exe -i "%%f" -ar 32000 -acodec pcm_s16le "%%f.wav"
    
    REM 语音文件识别
    main.exe -l zh -osrt -m C:\ggml-medium.bin "%%f.wav"
    REM 返回原目录
    cd /d "%video_dir%"
)
pause