OpenAI Whisper: транскрипция аудио и видео на VPS

OpenAI Whisper: транскрипция аудио и видео на VPS

OpenAI Whisper — мощная open-source модель распознавания речи, поддерживающая 99 языков включая русский и украинский. Работает полностью локально на VPS без отправки данных в облако.

Установка Whisper

# Требования: Python 3.8+, FFmpeg
apt install -y ffmpeg
pip install openai-whisper

Базовое использование (CLI)

# Транскрипция аудиофайла
whisper audio.mp3 --language Russian --model medium

# Поддерживаемые форматы: mp3, mp4, wav, m4a, webm, ogg
# Модели: tiny (39M), base (74M), small (244M), medium (769M), large (1.5G)

# Вывести в разные форматы
whisper audio.mp3 --output_format txt  # plain text
whisper audio.mp3 --output_format srt  # субтитры
whisper audio.mp3 --output_format vtt  # WebVTT

Python API

import whisper
import json

# Загрузить модель (первый раз скачивается)
model = whisper.load_model("medium")

# Транскрипция
result = model.transcribe("audio.mp3", language="ru", verbose=False)

print(result["text"])

# Получить сегменты с временными метками
for segment in result["segments"]:
    start = round(segment["start"], 2)
    end   = round(segment["end"], 2)
    text  = segment["text"].strip()
    print(f"[{start}s - {end}s] {text}")

REST API сервер на FastAPI

pip install fastapi uvicorn python-multipart

from fastapi import FastAPI, UploadFile, File
import whisper, tempfile, os

app = FastAPI()
model = whisper.load_model("small")

@app.post("/transcribe")
async def transcribe(file: UploadFile = File(...), language: str = "ru"):
    with tempfile.NamedTemporaryFile(delete=False, suffix=".mp3") as tmp:
        content = await file.read()
        tmp.write(content)
        tmp_path = tmp.name
    result = model.transcribe(tmp_path, language=language)
    os.unlink(tmp_path)
    return {"text": result["text"], "segments": result["segments"]}

uvicorn main:app --host 0.0.0.0 --port 8000

Faster-Whisper: ускорение в 4x

pip install faster-whisper

from faster_whisper import WhisperModel

# Загрузить с оптимизацией (float16 для GPU, int8 для CPU)
model = WhisperModel("medium", device="cpu", compute_type="int8")

segments, info = model.transcribe("audio.mp3", language="ru")
for segment in segments:
    print(f"[{segment.start:.2f}s] {segment.text}")