[@rule-z]

Всем привет! Сегодня подготовил для вас небольшой гайд как можно локально на своем компьютере устроить конвертацию Speech из видео в text.

Если кратко, то данный инструмент помогает лично мне в формировании конспектов по учебе. Большинство лекции в ВУЗе идут в формате видео, и чтобы все это запомнить и потом оперативно использовать в тестах и зачетах, удобно переводить speech в text.

Мы будем разворачивать Whisper на машине под управлением ОС Windows 10. Гайд составлен в двух версиях:
- Обработка на CPU (медленно но уверенно, если нет хорошей видеокарты)
- Обработка на GPU (быстро)

Обработка на процессоре (CPU)
Оффтоп

Требования
Windows 10/11 (64-бит)

Права администратора

Стабильное подключение к интернету

Шаг 1: Установка Python 3.12
Почему именно 3.12? Python 3.13 имеет проблемы совместимости с пакетами PyTorch для CUDA. Версия 3.12 протестирована и работает стабильно.

Перейдите на python.org/downloads

Скачайте установщик Python 3.12

Критически важно: при установке отметьте галочки ***9989; «Add Python to PATH» и ***9989; «py launcher»

Проверка (откройте новую командную строку):

cmd
py -3.12 --version
Должно вывести Python 3.12.x

Шаг 2: Установка FFmpeg
FFmpeg — ключевая зависимость для декодирования аудио, без неё Whisper не работает.

Способ А: через winget (рекомендуется)

cmd
winget install Gyan.FFmpeg
Способ Б: вручную

Перейдите на gyan.dev/ffmpeg/builds

Скачайте ffmpeg-release-essentials.zip

Распакуйте в C:\ffmpeg

Добавьте C:\ffmpeg\bin в системную переменную PATH:

Win + R ***8594; введите sysdm.cpl ***8594; Дополнительно ***8594; Переменные среды

В разделе «Системные переменные» найдите Path ***8594; Изменить ***8594; Создать ***8594; введите C:\ffmpeg\bin

Проверка (переоткройте командную строку):

cmd
ffmpeg -version
Шаг 3: Создание виртуального окружения
Виртуальное окружение изолирует Whisper от системного Python и предотвращает конфликты пакетов.

cmd
cd /d C:\
py -3.12 -m venv whisper-cpu
C:\whisper-cpu\Scripts\activate
После активации префикс командной строки станет (whisper-cpu).

Шаг 4: Установка Whisper
cmd
pip install -U openai-whisper
Установка автоматически подтянет версию PyTorch для CPU.

Шаг 5: Проверка установки
cmd
python -c "import whisper; print('Whisper установлен успешно')"
Шаг 6: Запуск транскрибации
Базовая команда:

cmd
whisper "D:\ваша_лекция.mp4" --model medium --language ru --output_format txt
Описание параметров:

Параметр	Назначение
--model	Размер модели: tiny/base/small/medium/large
--language	Код языка: ru (русский), en (английский), zh (китайский)
--output_format	Формат вывода: txt (текст), srt (субтитры), vtt
Рекомендуемая конфигурация для CPU: --model medium (баланс скорости и точности)

Обработка на видеокарте (GPU)
Оффтоп

Требования
Видеокарта NVIDIA (серия GTX 900 или новее)

Установлен последний драйвер NVIDIA

Выполнены шаги 1–3 из версии для CPU (Python 3.12 + FFmpeg + виртуальное окружение)

Шаг 1: Проверка драйвера GPU
cmd
nvidia-smi
Должна отобразиться модель видеокарты и версия драйвера. Если команда не найдена — скачайте и установите драйвер с официального сайта NVIDIA.

Шаг 2: Установка PyTorch с CUDA
Выполняйте в активированном виртуальном окружении:

cmd
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
Важно: обязательно используйте индекс cu121 (CUDA 12.1). CUDA 11.8 тоже работает, но 12.1 лучше поддерживает новые видеокарты.

Шаг 3: Установка Whisper
cmd
pip install -U openai-whisper
Шаг 4: Проверка доступности GPU
Это самый важный шаг:

cmd
python -c "import torch; print('CUDA доступна:', torch.cuda.is_available())"
Вывод True: GPU готов, переходите к следующему шагу

Вывод False: PyTorch не видит GPU — проверьте драйвер или переустановите PyTorch

Шаг 5: Транскрибация на GPU
cmd
whisper "D:\ваша_лекция.mp4" --device cuda --model large-v3 --language ru --output_format txt
Ключевые параметры:

--device cuda — указывает использовать GPU

--model large-v3 — GPU легко тянет большую модель, точность значительно выше

Рекомендуемая конфигурация для GPU: --model large-v3 или --model medium

Сравнение двух версий
Критерий	Версия для CPU	Версия для GPU
Требования к железу	Любой современный CPU	Видеокарта NVIDIA (GTX 900+)
Сложность установки	Простая	Средняя (нужны CUDA-зависимости)
Рекомендуемая модель	medium	large-v3
Скорость	Базовая	В 5–10 раз быстрее
Точность	Хорошая	Максимальная
Когда использовать	Разовые задачи, нет дискретной видеокарты	Регулярная работа, важна скорость
Частые проблемы и решения
Вопрос: torch.cuda.is_available() возвращает False

Убедитесь, что установлен драйвер NVIDIA (команда nvidia-smi работает)

Проверьте, что при установке PyTorch использовался индекс cu121, а не cpu

Пересоздайте виртуальное окружение и попробуйте снова

Вопрос: При транскрибации ошибка «Failed to load audio»

Убедитесь, что FFmpeg установлен корректно (ffmpeg -version)

Проверьте, что путь к файлу не содержит кириллицы или спецсимволов

Выполните dir D:\*.mp4, чтобы узнать точное имя файла (Windows может скрывать расширения)

Вопрос: Модель скачивается очень медленно

При первом запуске Whisper автоматически скачивает модель (medium ~1,5 ГБ, large ~3 ГБ)

Кэш моделей находится в C:\Users\ваше_имя\.cache\whisper\

Краткий итог: если есть видеокарта NVIDIA — используйте GPU-версию (--device cuda + large-v3), если нет — CPU-версию (medium). Общая база для обеих версий: Python 3.12 + FFmpeg + виртуальное окружение.