Whisper 使用指南（包含参数介绍）

Last Updated on 2023年10月31日 by go123

OpenAI的Whisper是一款优秀的开源语音转文本工具，特别适用于制作字幕。

不过在其官方网站上，我们很难找到关于其参数的详细使用方法，这无疑给很多用户带来了困惑。为此，我深入研究，发现只有在直接调用Whisper的帮助功能时，才能查看到所有参数的详细介绍。为了方便大家，我决定整理并发布这份参数使用指南，希望能够帮助更多的用户轻松上手Whisper。

如果你不研究使用参数，可以直接参考我觉得很好用的完整命令。

使用方法

whisper [选项] ./example_audio.mp3

例如： whisper –model large-v2 -o ./sub ./example_audio.mp3

可以通过修改这些选项，来调整生成效果。

位置参数:

• audio: 需要转录的音频文件路径。

选项:

基础设置

• -h, --help: 显示帮助信息。
• --model: 选择 Whisper 模型，如 tiny, base, small, medium, large 等，默认为 small。
• --model_dir: 模型文件保存路径，默认在 ~/.cache/whisper。
• --device: 运行设备选择，默认为 cuda。

输出设置

• -o, --output_dir: 输出文件保存目录，默认为当前文件夹。
• -f, --output_format: 输出文件格式，如 txt, vtt, srt, tsv, json 或 all，默认为 all。

详细设置

• --verbose: 是否显示进度和调试信息，默认为 True。
• --task: 选择任务类型，转录（transcribe）或翻译（translate）, 默认为转录。

语言选项

• --language: 音频中的语言，可自动检测（默认）。

解码与采样

• --temperature: 采样温度，默认为 0。
• --best_of: 采样时的候选数，默认为 5。
• --beam_size: 波束搜索的波束数量，默认为 5。

高级设置

• --patience: 波束解码的耐心值，默认为 1.0。
• --length_penalty: 词长度惩罚系数，默认为无。
• --suppress_tokens: 在采样期间禁用的 token 列表，默认为 -1。

自定义提示

• --initial_prompt: 第一个窗口的提示文本，默认为无。
• --condition_on_previous_text: 是否在下一个窗口使用模型的前一次输出作为提示，默认为 True。

性能优化

• --fp16: 是否使用 16 位浮点数进行推断，默认为 True。

高级失败恢复

• --temperature_increment_on_fallback: 解码失败时增加的温度，默认为 0.2。
• --compression_ratio_threshold: 若 gzip 压缩比高于此值，则视为解码失败，默认为 2.4。
• --logprob_threshold: 若平均 log 概率低于此值，则视为解码失败，默认为 -1.0。

实验性功能

• --word_timestamps: 是否提取单词级时间戳，默认为 False。
• --highlight_words: 是否在 srt 和 vtt 中标记每个单词，默认为 False。

文本格式

• --max_line_width: 每行最多字符数，默认为无。
• --max_line_count: 每段最多行数，默认为无。

线程

• --threads: 用于 CPU 推断的线程数，默认为 0。