ahmetoner/whisper-asr-webservice

OpenAI Whisper ASR Webservice API

解决的问题

它为 OpenAI 的 Whisper 模型提供了一个开箱即用的 REST API 封装，使用户无需构建自己的服务器基础设施，即可轻松地将语音转文本功能部署并集成到其他应用程序中。

工作原理

该项目将多个高性能 Whisper 引擎（OpenAI Whisper、Faster Whisper 和 WhisperX）封装进 Dockerized Web 服务中。它使用 FFmpeg 处理多种音频和视频格式，并提供带有 Swagger 文档的 REST API，用于发送音频文件并接收转录文本。

适用对象

需要部署支持多种模型和输出格式（如用于字幕的 SRT 或 VTT）且可以在 CPU 或 GPU 上运行的自托管语音识别服务的开发人员。

亮点

  • 多引擎支持：支持 OpenAI Whisper、Faster Whisper 和 WhisperX。
  • 灵活的输出：转录结果可以导出为 text、JSON、VTT、SRT 或 TSV。
  • 高级转录：包括通过 WhisperX 实现的词级时间戳、语音活动检测 (VAD) 过滤和说话人日志 (diarization)。
  • 易于部署：提供适用于 CPU 和 GPU 加速的 Docker 镜像。
  • 广泛的格式支持：与 FFmpeg 集成，具有广泛的音频/视频兼容性。

相关

  • 项目
    innovatorved/whisper.api

    一个由 whisper.cpp 提供驱动、高性能的语音转文字 API，且与 Deepgram 兼容，方便进行集成。

  • 项目
    jim60105/docker-whisperX

    一组为 WhisperX 优化的 Docker 镜像，提供预打包的 ASR 模型，支持单词级时间戳，实现快速高效的语音转文字转录。

  • Dispatch
    OpenAI Whisper 发布

    OpenAI 已发布 Whisper，这是一款自动语音识别（ASR）系统，经过 680,000 小时的多语言和多任务监督数据训练，以提升对口音、噪声和语言的鲁棒性。

  • 项目
    openai/whisper

    Whisper 是 OpenAI 开发的基于 Transformer 的开源语音转文本系统，可处理多种语言的转录、语言识别和翻译。它作为一个可通过 pip 安装的包发布，提供六种模型大小（tiny → large，以及快速的 “turbo” 版本）。通过 CLI (`whisper …`) 和简单的 Python API (`whisper.load_model(...).transcribe(...)`)，只需少量命令即可将音频文件转换为文本。该项目运行在 Python 3.8-3.11 和 PyTorch 上，并且需要 ffmpeg（可选需要 Rust 用于分词器）。所有代码和模型权重均采用 MIT 许可。

  • 项目
    sandrohanea/whisper.net

    通过 whisper.cpp 提供 OpenAI Whisper 的 .NET 绑定，让 .NET 应用程序能够在广泛的硬件加速支持下实现本地语音转文本和翻译。