使用相同的AI将Mac变成强大的转录机，该AI为OpenAI的Chatgpt提供动力。只需几个终端命令，您就可以在几分钟内将音频和视频文件转换为准确的文本。
如果您以前从未触及过终端，请不要担心 - 在Macos红杉15上设置低语比外观更容易，值得。无论您是使用YouTube视频，访谈，讲座还是语音笔记，低语都可以处理所有繁重的工作。
Whisper是OpenAI的免费，开源的语音到文本神经网络，完全在您的机器上运行 - 设置后不需要互联网。一旦完成，它就会快速，安全且死亡简单 - 它几乎可以通过您投入的任何音频或视频格式进行咀嚼。如果您厌倦了基于小故障网络的转录服务，昂贵的Mac应用程序以及具有限制（例如文件尺寸盖，水印，广告或糟糕的精度），这是一个完美的工具。
是的，它生活在码头中 - 大多数人避免的黑盒谜。但这是事实：如果您可以复制和粘贴，可以轻视。安装后，转录文件实际上是一行。没有腹胀的界面，没有上传和等待，也没有每月费用。
如果您还没有准备好弄乱命令行？您还有选择。 Mac Whisper和Whisper转录等Mac应用程序为您提供了一个拖放界面，并在引擎盖下用耳语提供动力。基于浏览器的服务，例如在拥抱脸上的耳语演示，使其变得更加容易 - 尽管您通常会为方便起来进行一些隐私和灵活性。但是，命令行版本仍然是使用低语的最强大和灵活的方式，这是Openai维护的官方实现。如果要完全控制，这是您想要的版本。
或者，您可以跳过所有内容，只需通过其网络或桌面应用程序发送changpt，它可以使用窃窃私语为您转录或翻译。
因此，如果您厌倦了跳过箍，只是为了获得干净的成绩单 - 无论您是学生，播客，记者还是只是试图存档缩放电话的人 - 现在该需要五分钟并设置一些刚起作用的东西了。让我们潜入。
要求
通过以下说明，您将使用以下工具安装和使用：
来自Openai的Whisper命令行工具：将语音转换为文本的核心转录引擎。
FFMPEG：窃窃私语需要打开，转换和处理音频和视频文件。
Python 3.10或更高版本：编程语言窃窃私语是写入的。
自制：一个包装管理器，可以轻松安装Whisper，FFMPEG和Python。
要成功运行这些工具，您将需要：
MAC运行MacOS蒙特雷12.3或更高版本：最好在苹果硅芯片上使用MacOS红杉15或更高版本，以更快的性能。
至少8 GB RAM和一些免费的磁盘空间：较大的耳语模型可以使用大量内存（尤其是在长文件上），但是较小的型号在大多数设置上都可以正常工作。
终端应用程序：预装在MacOS上 - 您将使用它输入设置和转录命令。
在macos上窃窃私语
请按照以下步骤安装所需的所有步骤并开始转录文件。如果您已经安装了自制，Python和FFMPEG，那么仍然值得检查这些步骤，以确保所有内容都是最新的。
Mac上的开放终端
终端是MACOS中内置的命令行应用程序 - 这是您将如何安装和运行耳语的方式。您不需要知道如何编码，只需如何粘贴命令即可。要打开终端，请按命令 +空间，键入“终端”，然后命中返回。您还可以在应用程序目录中的“实用程序”文件夹或启动板中的其他文件夹中找到它。
安装或更新自制
Homebrew是MacOS的软件包管理器，例如App Store，但用于强大的命令行工具。它可以轻松安装幕后窃窃私语所需的一切。
如果您没有安装自制型，请粘贴此命令，然后按返回：
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"这个命令看起来很吓人，但这就是这一切的含义：
/bin/bash是MacOS上Bash Shell二进制的路径。-c告诉您的Mac在Bash Shell中运行以下命令（作为字符串提供）。报价的一部分 -
"$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"- 用途curl（一种从Internet获取数据的命令行工具）从GitHub下载Homebrowrew的官方安装程序脚本。这些标志的意思是：
-f=在服务器错误上默默失败。这样可以防止处理不完整或损坏的下载。-s=静默运行。这抑制了进度输出和错误消息。-S=如果发生任何情况，请显示错误。与此一起使用时，仅显示错误消息-s，如果出现问题，允许静音模式仍然报告问题。-L=自动关注重定向。这对于处理URL重定向非常重要，这在从GitHub下载时很常见。
这个单线仪下载了Github的官方Homebrew install脚本，将其直接使用到Bash Shell中-c并执行它自动安装自动安装。
如果已经安装了自制的，请通过运行来更新：
brew update安装Python 3.10（或更新）
Python是编程语言窃窃私语。苹果在MacOS上包含一个较旧的版本，但是Whisper需要一个更新的版本才能正确运行。 Homebrew使安装正确的版本变得容易。
耳语需要Python 3.10或更高。安装它：
brew install python如果您已经安装了Python，但不确定是否正确的版本，请检查以下内容：
python3 --version如果超过3.10，则可以通过以下方式进行升级：
brew upgrade python一旦进入Python 3.10或更新，就可以去。
安装FFMPEG
FFMPEG是处理音频和视频文件的工具。它有助于低声处理各种媒体格式，例如MP3，MP4，M4A和WAV。没有FFMPEG，Whisper将无法读取或转换您的文件。
使用Homebrew安装它：
brew install ffmpeg如果您已经安装了FFMPEG，请确保它是最新的：
brew upgrade ffmpeg您可以通过运行来验证FFMPEG正在工作：
ffmpeg -version如果它打印了版本信息，那就很好。
通过PIP安装耳语
PIP是Python的内置软件包管理器 - 这是您如何安装Whisper之类的Python应用程序的方式。您将使用PIP直接从OpenAI的GitHub存储库中下载和安装Whisper。
首先，确保PIP是最新的：
pip3 install --upgrade pip然后安装耳语：
pip3 install git+https://github.com/openai/whisper.git用耳语进行转录
安装了耳语后，您可以使用单个命令转录音频和视频文件（MP3，MP4，M4A，WAV等）。它支持一系列审慎的型号，从轻巧，快速到大型，高度准确。
音频文件的转录速度比视频文件快得多，因此您可能需要从视频中提取音频，然后用窃窃私语使用该音频，尤其是在使用较大型号时。在Mac上，您可以使用QuickTime Player快速从视频文件中导出音频。
基本用法（自动检测语言）
这--model tiny选项运行最快并使用最少的内存，而--model large选项提供最佳准确性，但需要更大的RAM，并且需要更长的时间来处理。
whisper your_file.mp4 --model tiny
whisper your_file.mp4 --model base
whisper your_file.mp4 --model small
whisper your_file.mp4 --model medium
whisper your_file.mp4 --model large指定语言以获得更快，更准确的结果
如果您知道您的文件是英文的，则可以使用--language en或者--language English：
whisper your_file.mp4 --language English --model tiny
whisper your_file.mp4 --language English --model base
whisper your_file.mp4 --language English --model small
whisper your_file.mp4 --language English --model medium
whisper your_file.mp4 --language English --model large使用上面的一个命令时，输出将直接在同一终端窗口中打印。
但是，Whisper可以创建.txt（Plain Transcript），.srt（大多数视频播放器和编辑者使用的标准字幕格式）和.vtt（Web视频文本跟踪用于HTML5视频，YouTube等的格式，与原始媒体文件相同的目录中的转录文件。如果需要，请添加标志--output_format txt（指定特定格式）或--task translate（这会自动将外语翻译成英语）。
例如，以下内容以英语转录文件，并将其输出到同一目录中的.txt文档。
whisper your_file.mp4 --language en --model small --output_format txt要用英语生成外语视频的字幕，以下命令将与您的视频或音频文件同一文件夹中生成.txt，.srt和.vtt转录文件。
whisper your_file.mp4 --task translate --model medium只需要字幕文件（例如.srt）而不是纯文本成绩单？跑步：
whisper your_file.mp4 --language en --task translate --output_format srt查看所有可用选项：
whisper --help最后的想法
终端中的耳语不仅是一种转录工具 - 它是创作者，记者，学生和任何处理口语内容的秘密武器。设置过程可能是第一次感觉有些技术，但是一旦启动并运行，它就非常易于使用。
也就是说，低语模型在本地运行，并且取决于Mac的硬件。如果您使用大文件并希望更快的结果，请坚持使用小型或基本型号。如果您需要更高的精度，并且不介意额外的处理时间，请选择中等或大。
耳语论点和选项的完整列表
如果您想探索耳语可以做的一切，包括输出格式，语言支持和高级标志 - 您可以运行whisper --help在终端。这是可用选项的完整列表供快速参考：
usage: whisper [-h] [--model MODEL] [--model_dir MODEL_DIR] [--device DEVICE]
[--output_dir OUTPUT_DIR]
[--output_format {txt,vtt,srt,tsv,json,all}]
[--verbose VERBOSE] [--task {transcribe,translate}]
[--language {af,am,ar,as,az,ba,be,bg,bn,bo,br,bs,ca,cs,cy,da,de,el,en,es,et,eu,fa,fi,fo,fr,gl,gu,ha,haw,he,hi,hr,ht,hu,hy,id,is,it,ja,jw,ka,kk,km,kn,ko,la,lb,ln,lo,lt,lv,mg,mi,mk,ml,mn,mr,ms,mt,my,ne,nl,nn,no,oc,pa,pl,ps,pt,ro,ru,sa,sd,si,sk,sl,sn,so,sq,sr,su,sv,sw,ta,te,tg,th,tk,tl,tr,tt,uk,ur,uz,vi,yi,yo,yue,zh,Afrikaans,Albanian,Amharic,Arabic,Armenian,Assamese,Azerbaijani,Bashkir,Basque,Belarusian,Bengali,Bosnian,Breton,Bulgarian,Burmese,Cantonese,Castilian,Catalan,Chinese,Croatian,Czech,Danish,Dutch,English,Estonian,Faroese,Finnish,Flemish,French,Galician,Georgian,German,Greek,Gujarati,Haitian,Haitian Creole,Hausa,Hawaiian,Hebrew,Hindi,Hungarian,Icelandic,Indonesian,Italian,Japanese,Javanese,Kannada,Kazakh,Khmer,Korean,Lao,Latin,Latvian,Letzeburgesch,Lingala,Lithuanian,Luxembourgish,Macedonian,Malagasy,Malay,Malayalam,Maltese,Mandarin,Maori,Marathi,Moldavian,Moldovan,Mongolian,Myanmar,Nepali,Norwegian,Nynorsk,Occitan,Panjabi,Pashto,Persian,Polish,Portuguese,Punjabi,Pushto,Romanian,Russian,Sanskrit,Serbian,Shona,Sindhi,Sinhala,Sinhalese,Slovak,Slovenian,Somali,Spanish,Sundanese,Swahili,Swedish,Tagalog,Tajik,Tamil,Tatar,Telugu,Thai,Tibetan,Turkish,Turkmen,Ukrainian,Urdu,Uzbek,Valencian,Vietnamese,Welsh,Yiddish,Yoruba}]
[--temperature TEMPERATURE] [--best_of BEST_OF]
[--beam_size BEAM_SIZE] [--patience PATIENCE]
[--length_penalty LENGTH_PENALTY]
[--suppress_tokens SUPPRESS_TOKENS]
[--initial_prompt INITIAL_PROMPT]
[--condition_on_previous_text CONDITION_ON_PREVIOUS_TEXT]
[--fp16 FP16]
[--temperature_increment_on_fallback TEMPERATURE_INCREMENT_ON_FALLBACK]
[--compression_ratio_threshold COMPRESSION_RATIO_THRESHOLD]
[--logprob_threshold LOGPROB_THRESHOLD]
[--no_speech_threshold NO_SPEECH_THRESHOLD]
[--word_timestamps WORD_TIMESTAMPS]
[--prepend_punctuations PREPEND_PUNCTUATIONS]
[--append_punctuations APPEND_PUNCTUATIONS]
[--highlight_words HIGHLIGHT_WORDS]
[--max_line_width MAX_LINE_WIDTH]
[--max_line_count MAX_LINE_COUNT]
[--max_words_per_line MAX_WORDS_PER_LINE] [--threads THREADS]
[--clip_timestamps CLIP_TIMESTAMPS]
[--hallucination_silence_threshold HALLUCINATION_SILENCE_THRESHOLD]
audio
positional arguments:
audio audio file(s) to transcribe
options:
-h, --help show this help message and exit
--model MODEL name of the Whisper model to use (default: turbo)
--model_dir MODEL_DIR
the path to save model files; uses ~/.cache/whisper by
default (default: None)
--device DEVICE device to use for PyTorch inference (default: cpu)
--output_dir OUTPUT_DIR, -o OUTPUT_DIR
directory to save the outputs (default: .)
--output_format {txt,vtt,srt,tsv,json,all}, -f {txt,vtt,srt,tsv,json,all}
format of the output file; if not specified, all
available formats will be produced (default: all)
--verbose VERBOSE whether to print out the progress and debug messages
(default: True)
--task {transcribe,translate}
whether to perform X->X speech recognition
('transcribe') or X->English translation ('translate')
(default: transcribe)
--language {af,am,ar,as,az,ba,be,bg,bn,bo,br,bs,ca,cs,cy,da,de,el,en,es,et,eu,fa,fi,fo,fr,gl,gu,ha,haw,he,hi,hr,ht,hu,hy,id,is,it,ja,jw,ka,kk,km,kn,ko,la,lb,ln,lo,lt,lv,mg,mi,mk,ml,mn,mr,ms,mt,my,ne,nl,nn,no,oc,pa,pl,ps,pt,ro,ru,sa,sd,si,sk,sl,sn,so,sq,sr,su,sv,sw,ta,te,tg,th,tk,tl,tr,tt,uk,ur,uz,vi,yi,yo,yue,zh,Afrikaans,Albanian,Amharic,Arabic,Armenian,Assamese,Azerbaijani,Bashkir,Basque,Belarusian,Bengali,Bosnian,Breton,Bulgarian,Burmese,Cantonese,Castilian,Catalan,Chinese,Croatian,Czech,Danish,Dutch,English,Estonian,Faroese,Finnish,Flemish,French,Galician,Georgian,German,Greek,Gujarati,Haitian,Haitian Creole,Hausa,Hawaiian,Hebrew,Hindi,Hungarian,Icelandic,Indonesian,Italian,Japanese,Javanese,Kannada,Kazakh,Khmer,Korean,Lao,Latin,Latvian,Letzeburgesch,Lingala,Lithuanian,Luxembourgish,Macedonian,Malagasy,Malay,Malayalam,Maltese,Mandarin,Maori,Marathi,Moldavian,Moldovan,Mongolian,Myanmar,Nepali,Norwegian,Nynorsk,Occitan,Panjabi,Pashto,Persian,Polish,Portuguese,Punjabi,Pushto,Romanian,Russian,Sanskrit,Serbian,Shona,Sindhi,Sinhala,Sinhalese,Slovak,Slovenian,Somali,Spanish,Sundanese,Swahili,Swedish,Tagalog,Tajik,Tamil,Tatar,Telugu,Thai,Tibetan,Turkish,Turkmen,Ukrainian,Urdu,Uzbek,Valencian,Vietnamese,Welsh,Yiddish,Yoruba}
language spoken in the audio, specify None to perform
language detection (default: None)
--temperature TEMPERATURE
temperature to use for sampling (default: 0)
--best_of BEST_OF number of candidates when sampling with non-zero
temperature (default: 5)
--beam_size BEAM_SIZE
number of beams in beam search, only applicable when
temperature is zero (default: 5)
--patience PATIENCE optional patience value to use in beam decoding, as in
https://arxiv.org/abs/2204.05424, the default (1.0) is
equivalent to conventional beam search (default: None)
--length_penalty LENGTH_PENALTY
optional token length penalty coefficient (alpha) as
in https://arxiv.org/abs/1609.08144, uses simple
length normalization by default (default: None)
--suppress_tokens SUPPRESS_TOKENS
comma-separated list of token ids to suppress during
sampling; '-1' will suppress most special characters
except common punctuations (default: -1)
--initial_prompt INITIAL_PROMPT
optional text to provide as a prompt for the first
window. (default: None)
--condition_on_previous_text CONDITION_ON_PREVIOUS_TEXT
if True, provide the previous output of the model as a
prompt for the next window; disabling may make the
text inconsistent across windows, but the model
becomes less prone to getting stuck in a failure loop
(default: True)
--fp16 FP16 whether to perform inference in fp16; True by default
(default: True)
--temperature_increment_on_fallback TEMPERATURE_INCREMENT_ON_FALLBACK
temperature to increase when falling back when the
decoding fails to meet either of the thresholds below
(default: 0.2)
--compression_ratio_threshold COMPRESSION_RATIO_THRESHOLD
if the gzip compression ratio is higher than this
value, treat the decoding as failed (default: 2.4)
--logprob_threshold LOGPROB_THRESHOLD
if the average log probability is lower than this
value, treat the decoding as failed (default: -1.0)
--no_speech_threshold NO_SPEECH_THRESHOLD
if the probability of the <|nospeech|> token is higher
than this value AND the decoding has failed due to
`logprob_threshold`, consider the segment as silence
(default: 0.6)
--word_timestamps WORD_TIMESTAMPS
(experimental) extract word-level timestamps and
refine the results based on them (default: False)
--prepend_punctuations PREPEND_PUNCTUATIONS
if word_timestamps is True, merge these punctuation
symbols with the next word (default: "'“¿([{-)
--append_punctuations APPEND_PUNCTUATIONS
if word_timestamps is True, merge these punctuation
symbols with the previous word (default:
"'.。,，!！?？:：”)]}、)
--highlight_words HIGHLIGHT_WORDS
(requires --word_timestamps True) underline each word
as it is spoken in srt and vtt (default: False)
--max_line_width MAX_LINE_WIDTH
(requires --word_timestamps True) the maximum number
of characters in a line before breaking the line
(default: None)
--max_line_count MAX_LINE_COUNT
(requires --word_timestamps True) the maximum number
of lines in a segment (default: None)
--max_words_per_line MAX_WORDS_PER_LINE
(requires --word_timestamps True, no effect with
--max_line_width) the maximum number of words in a
segment (default: None)
--threads THREADS number of threads used by torch for CPU inference;
supercedes MKL_NUM_THREADS/OMP_NUM_THREADS (default:
0)
--clip_timestamps CLIP_TIMESTAMPS
comma-separated list start,end,start,end,...
timestamps (in seconds) of clips to process, where the
last end timestamp defaults to the end of the file
(default: 0)
--hallucination_silence_threshold HALLUCINATION_SILENCE_THRESHOLD
(requires --word_timestamps True) skip silent periods
longer than this threshold (in seconds) when a
possible hallucination is detected (default: None)
不要错过：如何在MacOS上的文件中删除或添加“从哪里”元数据
封面照片，屏幕截图和gifs by shutterstock。