whisper-node

whisper-node

提升本地转录性能的Node.js绑定

Whisper-node是OpenAI Whisper的Node.js绑定,支持本地转录,输出格式包括JSON、.txt、.srt和.vtt。该项目经过CPU优化,支持Apple Silicon ARM,并提供单词级精度的时间戳。通过npm可快速安装,并可选下载模型。未来将增加浏览器兼容性、语言检测和说话者识别等新功能。

whisper-nodeOpenAI转录Node.jsJSONGithub开源项目

项目介绍:whisper-node

whisper-node 是一个用于 OpenAI 的 Whisper 模型的 Node.js 绑定库。这个工具允许用户在本地进行音频转录,并且支持多种输出格式。以下是对该项目的详细介绍。

功能特点

  • 多格式输出:whisper-node 能够将转录后的音频输出为 JSON 格式,同时也支持 .txt、.srt 和 .vtt 格式,以满足不同用户的需求。
  • CPU 优化:该工具进行了 CPU 优化,能够在不同平台上高效运行,包括 Apple Silicon ARM。
  • 精准的时间戳:提供每个单词的时间戳,使得转录结果更为详细。

安装指南

使用 whisper-node 非常简单:

  1. 将其添加到项目依赖中:

    npm install whisper-node
  2. 可选步骤:下载所需的 whisper 模型:

    npx whisper-node download

注意:在 Windows 系统下,需要从指定网址安装 make 命令。

使用方法

使用 whisper-node 的方式简单明了,以下是一个基本的用例:

import whisper from 'whisper-node'; const transcript = await whisper("example/sample.wav"); console.log(transcript); // 输出: [ {start,end,speech} ]

输出格式(JSON)

whisper-node 的输出结果包括开始时间、结束时间和转录的文字信息,例如:

[ { "start": "00:00:14.310", // 开始时间 "end": "00:00:16.480", // 结束时间 "speech": "howdy" // 转录内容 } ]

完整的选项列表

whisper-node 提供了一些可选参数以支持不同的使用场景:

import whisper from 'whisper-node'; const filePath = "example/sample.wav"; // 必需 const options = { modelName: "base.en", // 默认模型名称 whisperOptions: { language: 'auto', // 语言自动检测(默认为自动) gen_file_txt: false, // 是否输出 .txt 文件 gen_file_subtitle: false, // 是否输出 .srt 文件 gen_file_vtt: false, // 是否输出 .vtt 文件 word_timestamps: true // 每个单词是否有时间戳 } } const transcript = await whisper(filePath, options);

输入文件格式

whisper-node 目前只接受 .wav 格式的音频文件,且采样率为 16Hz。用户可以通过 FFmpeg 转换其他格式的音频文件,例如将 .mp3 转换为 .wav:

ffmpeg -i input.mp3 -ar 16000 output.wav

创建过程

  • [Whisper OpenAI (使用 ggerganov 的 C++ 版本移植)]
  • [ShellJS]

项目规划

  • 已支持非 Typescript 项目
  • 允许自定义目录存储模型
  • 计划的功能包括:
    • 增加配置文件作为模型下载线程序的替代方案
    • 移除 Path、ShellJS 和 Prompt-Sync 包,以实现浏览器、React-Native Expo 和 WebAssembly 的兼容性
    • 使用 Fluent-FFmpeg 自动转换为16Hz .wav文件,同时支持从视频中分离音频
    • Pyannote diarization 用于识别说话者
    • 实现 WhisperX 作为可选的替代模型,用于更高精度的时间戳和说话者识别
    • 提供查看检测语言的选项
    • 包含 TypeScript 类型文件
    • 添加对音频流转录支持

修改 whisper-node

开发人员可以通过以下命令来运行开发和构建脚本:

  • 执行 npm run dev 时将运行 nodemon 和 tsc 以进行测试
  • 执行 npm run build 时将运行 tsc,并输出到 '/dist' 目录

致谢

特别感谢 Georgi Gerganov 和 Ari 对项目的贡献与支持。

编辑推荐精选

TRAE编程

TRAE编程

AI辅助编程,代码自动修复

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
商汤小浣熊

商汤小浣熊

最强AI数据分析助手

小浣熊家族Raccoon,您的AI智能助手,致力于通过先进的人工智能技术,为用户提供高效、便捷的智能服务。无论是日常咨询还是专业问题解答,小浣熊都能以快速、准确的响应满足您的需求,让您的生活更加智能便捷。

imini AI

imini AI

像人一样思考的AI智能体

imini 是一款超级AI智能体,能根据人类指令,自主思考、自主完成、并且交付结果的AI智能体。

Keevx

Keevx

AI数字人视频创作平台

Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。

即梦AI

即梦AI

一站式AI创作平台

提供 AI 驱动的图片、视频生成及数字人等功能,助力创意创作

扣子-AI办公

扣子-AI办公

AI办公助手,复杂任务高效处理

AI办公助手,复杂任务高效处理。办公效率低?扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作,覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应,生活工作无缝切换,提升50%效率!

蛙蛙写作

蛙蛙写作

AI小说写作助手,一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
问小白

问小白

全能AI智能助手,随时解答生活与工作的多样问题

问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
下拉加载更多