本文将介绍如何在Windows上安装并运行whisper或其他变体。

注意：最好使用Anaconda环境。下文均为全局Python环境，易导致混乱。本人未有使用Anaconda环境配置whisper的经验，非常抱歉。

各配置并不详尽，本人水平有限，还请包涵。

本文中多次提及或使用GitHub，如果您无法正常连接该网站，请自寻镜像站或科学方法。

本文中的PATH均指Windows环境变量PATH，您可以通过以下方式更改

• 右键“此电脑”选择“属性”，选择“高级系统属性”，“环境变量”。双击“Path”，右边选择“新增”，然后输入路径、确定即可

参测硬件：

NVIDIA GeForce RTX 2060 Super 8G

AMD Radeon RX 550 2G

目录（推荐）

一、openai / whisper（原版）

二、whisper-ctranslate2

三、whisperX

四、Const-me / Whisper【支持AMD显卡，有GUI】

一、openai / whisper (原版)

官方原版whisper的硬件推理支持与PyTorch一致，在Windows上仅支持NVIDIA CUDA，在Linux上可以使用AMD ROCm。

环境（NVIDIA GPU）：CUDA、cuDNN

环境（通用）：Python、PyTorch

1. 配置环境 Python与（NVIDIA）CUDA

• 到Python官网下载Python安装包

  注意：安装时最好勾选“Add to PATH”，不勾选就需要自己添加到PATH，比较麻烦

  
  

• 遵循 mirrors.tuna.tsinghua.edu.cn/help/pypi/ 更换pip源为清华Tuna镜像

  
  

• （NVIDIA GPU）到PyTorch官网“Get Started”页面确认可用的CUDA版本，然后到NVIDIA官网下载对应的CUDA并安装。

  安装时注意：Nsight部分可以不安装。如果只是跑whisper只勾选Runtime都可以。

• （NVIDIA GPU）在NVIDIA官网下载对应CUDA版本的cuDNN，将cuDNN压缩包保留目录结构解压到CUDA安装文件夹

  注意：cuDNN需要NVIDIA开发者账号，直接用一般NVIDIA账号申请就可以了

2. 配置环境 PyTorch

• 回到PyTorch官网“Get Started”页面，复制“Run this command”后文本框内的指令，打开cmd或Powershell，粘贴，回车执行

  如果速度太慢，您可以这样操作：复制运行时显示的链接放入下载软件（如IDM）进行下载。然后再将下载完成的whl运行 pip install "<whl文件路径>"

  该步下载的有三：torch、torchvision和torchaudio。只有torch在带CUDA时会体积庞大。

3. 安装 FFmpeg

• 到FFmpeg官网（ffmpeg.org）的“Download”页面选择Windows图标，选择“Windows build from gyan.dev”，然后在“release builds”下选择“ffmpeg-release-full-shared.7z”。

  只需要解压Bin文件夹内的文件，解压出Bin文件夹下的EXE和DLL后，您需要把它们所在的路径加入PATH

4. 安装whisper

• （下一步报错执行这一步）前往Rust官网“Get started”，选择“Download Rustup-init.exe”安装 Rust （www.rust-lang.org）。将Rust添加到PATH，再运行 pip install setuptools-rust

  
  

• 运行 pip install whisper 来安装whisper，如果你渴望更新的功能，应前往GitHub的Whisper项目页面遵照Readme进行安装。

  
  

• whisper第一次运行时会下载模型到模型文件夹，如果您觉得下载速度太慢，有以下方法：

  打开GitHub的whisper项目whisper/__init__.py，文件里有各模型的直链，您可以使用IDM等下载工具进行下载，放入您指定的模型文件夹。

正确安装之后的使用：在cmd或Powershell键入 whisper -h 即可查看指令帮助，常有的有

• --model 指定使用的模型

• --model_dir 模型存放文件夹

• --device PyTorch推理所用设备（默认CUDA，可切换为CPU）

• --output_dir 输出文件夹

• --output_format 输出格式，默认全格式都输出一份

• --language 指定所要扫描的音频使用的语言

• --word_timestamps 词级时间戳（更精确的时间戳），推荐打开

具体每个选项能能输什么东西请看 -h，里面都有列出

一般命令：whisper --model <模型> --model_dir "<模型所在文件夹>" --output_dir "<输出文件夹>" --output_format <输出格式> --word_timestamps True "<输入文件>"

二、whisper-ctranslate2（faster-whisper）

基于faster-whisper（CTranslate2）后端的变体，有与原版Whisper相兼容的命令行，特点是快最多4倍的推理速度，显存使用更少。不支持AMD硬件推理。

安装方式基本同Whisper，但不需要安装 Rust 和 PyTorch（应该），前面的步骤请参考上文，到安装whisper这步时：

• 使用 pip install -U whisper-ctranslate2 安装whisper-ctranslate2前端。此时pip应该会自动安装ctranslate2等依赖

• 使用时也需要下载模型（注意：和openai/whisper的.pt不兼容），如果您觉得下载速度过慢，可以从https://huggingface.co/guillaumekln手动选择要下载的模型进行下载

命令行基本同Whisper。但是加入了

• --highlight_words 以不同颜色表示whisper对该词的猜测可能性大小

• 实时音频输入转换支持。

使用命令时把whisper换为whisper-ctranslate2即可

三、whisperX（faster-whipser，pyannote-audio，wav 2vec2）

基于faster-whisper（CTranslate2）后端，并加入pyannote-audio以进行多说话人识别，同时还使用wav 2vec2提供更准确的词级时间戳（存疑）。缺点是配置较为困难，只能通过git安装。

安装whisperX您需要一个可以正常连接GitHub的网络环境，或通过镜像先手动安装pyannote-audio，再安装whisperX。

需要PyTorch，N卡必须安装CUDA和cuDNN，需要FFmpeg，请参考上文。

• 去Git官网下载Windows版Git并安装

  
  

• 遵照GitHub上whisperX项目页面指示安装whisperX

  pip install git+https://github.com/m-bain/whisperx.git

  如果您无法正常访问GitHub，请使用镜像网站。

  
  

• 如果安装过程中您下载pyannote-audio失败，请前往GitHub上pyannote-audio的项目页遵循指示安装pyannote-audio，如有必要请使用镜像。

  pip install -qq https://github.com/pyannote/pyannote-audio/archive/refs/heads/develop.zip

  
  

• 您可以提前安装lightning和torch-audiomentations。

  pip install lightning torch-audiomentations

这玩意每个语言都要下一坨模型，所以初次配置很麻烦。直链下载链接待补。

在测试中我没能让它正确断句。不知道问题出在哪里。

四、Const-me / Whisper（whisper.cpp）

基于whisper.cpp后端的变体，支持通过基于DirectCompute（DX11.0）的GPGPU进行硬件推理，所以兼容AMD显卡，并支持多种推理负载（GPU、混合、CPU参考）。特点是兼容性特别强、环境配置简单、显存/运存使用量小，速度快于原版。

不需要python，使用Windows自带的Media Foundation架构代替了FFmpeg进行音频读取，基本不需要装依赖（N卡要装CUDA）。

https://github.com/Const-me/Whisper

有图形化界面（Release里下载WindowsDesktop），也推荐使用图形化界面。其CLI与openai/whisper并不兼容。

您可以从 https://huggingface.co/ggerganov/whisper.cpp/tree/main 下载您所需的模型（扩展名为.bin），也可以根据GitHub上whisper.cpp的说明手动转换您已有的openai/whisper模型

测试内容：莲之空6月度Fes×LIVE@抚子祭 切片长度2m07s

• 在AMD Radeon RX 550 2G上成功运行全部模型。

  其中Large模型用时7m49s

• 在NVIDIA GeForce RTX 2060 Super 8G上成功运行全部模型。

  其中Large模型用时22s

输出内容一致

注意：whisper.cpp不支持词级时间戳，如果用于打轴准确度稍低。

一切请以GitHub上各项目页的安装指示为准，本文仅供参考。

我未使用过各种汉化简化版本。这方面的信息抱歉不能提供。

本人水平有限，心有余而力不足，只能做出这种完成度的文章。