最近好久没有写博客了，浅浅记录下如何将OpenAI-Whisper做成Web服务吧🤣
介绍
在这篇指导性博客中，我们将探讨如何在Python中结合使用FastAPI和OpenAI-Whisper。OpenAI-Whisper是一个前沿的语音识别模型，而FastAPI是一个高性能的现代Web框架，专门用于构建API。这两种技术的结合，能够帮助我们快速搭建一个高效的语音转录服务。
环境安装
如想本地安装可参考官网教程。如想将其做成web服务，我们需要准备好开发环境。请按照以下步骤安装所需环境：
Python 3.10.10：前往Python官网下载并安装。Windows用户请确保在安装过程中勾选“Add Python to PATH”，不然需自己配置环境变量。
Poetry：Poetry是一个Python的依赖管理和包管理工具。安装指令如下，具体可以查看Poetry安装指南：
# Linux、macOS、Windows（WSL）curl -sSL https://install.python-poetry.org | python3 -# Windows（Powershell）(Invoke-WebRequest -Uri https://install.python-poetry.org -UseBasicParsing).Content | py -Pycharm：Pycharm是最强大的Python编辑器，可以从JetBrains官网下载并安装。
项目创建
Pycharm创建项目（推荐方式）
打开
Pycharm，选择创建新项目。在弹出的窗口中选择安装路径，并设置项目相关配置。
点击创建以初始化新项目。
)
使用命令行创建项目
1. 使用Poetry创建项目：我们可以直接使用Poetry创建项目：
poetry new demo-py2. 进入项目目录：进入项目目录准备后续操作：
cd demo-py
安装依赖
使用Poetry安装FastAPI、Uvicorn（ASGI服务器）和OpenAI-Whisper：
poetry add fastapi uvicorn whisperPoetry依赖配置如下(可直接复制使用，不用手动add依赖)：
[tool.poetry.dependencies]python ="^3.10"fastapi ="^0.111.1"uvicorn ="^0.30.1"openai-whisper = { git ="https://github.com/openai/whisper.git", rev ="v20231117" }setuptools-rust ="^1.9.0"numpy ="^1.26.4"创建FastAPI应用
在项目目录中创建一个新的Python文件，例如main.py，并添加以下代码：
from fastapi import FastAPI, File, UploadFile, HTTPExceptionfrom fastapi.responses import JSONResponsefrom tempfile import NamedTemporaryFile, TemporaryDirectoryimport whisperimport torchimport osfrom typing import List# 检查是否有NVIDIA GPU可用torch.cuda.is_available()DEVICE ="cuda" if torch.cuda.is_available() else"cpu"# 加载Whisper模型model = whisper.load_model("base", device=DEVICE)app = FastAPI()@app.post("/whisper/")async def handler(files: List[UploadFile] = File(...)): if not files: raise HTTPException(status_code=400, detail="No files were provided") # 对于每个文件，存储结果在一个字典列表中 results = [] # 使用TemporaryDirectory创建临时目录 with TemporaryDirectory() as temp_dir: for file in files: # 在临时目录中创建一个临时文件 temp_file_path = os.path.join(temp_dir, file.filename) with open(temp_file_path,"wb") as temp_file: # 将用户上传的文件写入临时文件 temp_file.write(file.file.read()) temp_file.flush() # 确保所有数据写入磁盘 # 确保文件在转录前已关闭 result = model.transcribe(temp_file_path) # 存储该文件的结果对象 results.append({ 'filename': file.filename, 'transcript': result['text'], }) # 返回包含结果的JSON响应 return JSONResponse(content={'results': results})运行FastAPI应用
使用Uvicorn运行FastAPI应用：
poetry run uvicorn main:app --reload在浏览器中打开http://127.0.0.1:8000/docs，你将看到自动生成的API文档，可以在这里测试上传音频文件并获取转录结果。
点击“Try it out”上传音视频文件后点击“Execute”执行请求。
至此，我们已经成功集成了Whisper并将其作为服务提供。大家可以自行研究和扩展这个项目。
总结
通过这篇博客，我们学习了如何在Python中使用FastAPI集成OpenAI-Whisper，并创建了一个简单的语音转录服务。
如这篇博客对你有所帮助可以贡献一颗您的小⭐⭐!项目仓库地址ai-whisper