whisper-plus

环境要求

• 已安装 Python 环境并可使用 pip
• 网络可访问 PyPI 与 GitHub（需拉取 transformers 仓库）
• 安装 flash-attn 建议具备 CUDA 环境与编译工具链
• 运行示例需能访问 YouTube 链接以下载音频

安装与启动步骤

1. 1安装核心库

   一条命令同时安装 whisperplus 和 GitHub 上的最新版 transformers，注意 transformers 是从 git 源安装。

   pip install whisperplus git+https://github.com/huggingface/transformers

   复制

2. 2安装 flash-attn

   安装加速注意力实现，README 指定使用 --no-build-isolation，编译时间可能较长。

   pip install flash-attn --no-build-isolation

   复制

3. 3下载音频

   调用 download_youtube_to_mp3 把 YouTube 音频转成 mp3，保存到 downloads 目录，返回音频路径。

   from whisperplus import download_youtube_to_mp3
   
   url = "https://www.youtube.com/watch?v=di3rHkEZuUw"
   audio_path = download_youtube_to_mp3(url, output_dir="downloads", filename="test")

   复制

4. 4导入转写与量化模块

   导入 SpeechToTextPipeline 以及量化配置类，并按 README 示例设置 4bit HQQ 量化参数。

   from whisperplus import SpeechToTextPipeline
   from transformers import BitsAndBytesConfig, HqqConfig
   import torch
   
   hqq_config = HqqConfig(
       nbits=4,
       group_size=64,
       quant_zero=False,
   )

   复制

关键配置

如何确认成功

运行下载代码后，检查 downloads 目录下是否生成 test.mp3，并能拿到返回的 audio_path。README 未给出完整转写与输出验证方式。

常见问题

注意事项

• README 安装部分只在 pip 命令中出现，重复出现两次，请以完整版文档为准。
• Usage 中的 SpeechToTextPipeline 调用代码在节选中被截断，实际转写参数需参考仓库完整 README。
• HQQ 量化属于进阶用法，消费级显卡或 CPU 上可先不启用量化验证基本流程。
• 下载 YouTube 音频需保证网络可达，且需遵守相应平台的使用条款。