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)
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)
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.
