
Tutorial OpenAI Whisper: guida completa alla trascrizione speech-to-text
Eric King
Author
Tutorial OpenAI Whisper: guida completa alla trascrizione speech-to-text
OpenAI Whisper è un modello open source di riconoscimento vocale automatico (ASR) pensato per la trascrizione speech-to-text e la traduzione della voce. Supporta molte lingue, gestisce bene accenti e rumore di fondo ed è ampiamente usato per podcast, riunioni, interviste e sottotitoli video.
Questo tutorial completo ti guida in tutto ciò che serve per iniziare con Whisper, dall'installazione all'uso avanzato.
Cos'è OpenAI Whisper?
Whisper è addestrato su 680.000 ore di audio multilingue ed è quindi particolarmente forte su audio reale e imperfetto. È tra i modelli open source di riconoscimento vocale più accurati disponibili.
Caratteristiche principali
- Supporto multilingue — oltre 99 lingue
- Trascrizione speech-to-text — converte l'audio in testo
- Traduzione della voce — traduce la voce direttamente in inglese
- Rilevamento della lingua — rileva automaticamente la lingua parlata
- Generazione di timestamp — timestamp a livello di parola e di segmento
- Open source e gratuito — licenza MIT, nessun costo API
- Utilizzabile offline — viene eseguito in locale sulla tua macchina
- Formati multipli — supporta vari formati audio/video
Dimensioni dei modelli Whisper spiegate
Whisper offre diverse dimensioni di modello per bilanciare velocità e accuratezza:
| Modello | Parametri | Velocità | Accuratezza | Memoria | Caso d'uso |
|---|---|---|---|---|---|
| tiny | 39M | ⭐⭐⭐⭐⭐ | ⭐⭐ | ~1 GB | Test rapidi, demo |
| base | 74M | ⭐⭐⭐⭐ | ⭐⭐⭐ | ~1 GB | Audio semplice, attività veloci |
| small | 244M | ⭐⭐⭐ | ⭐⭐⭐⭐ | ~2 GB | Uso generale, bilanciato |
| medium | 769M | ⭐⭐ | ⭐⭐⭐⭐⭐ | ~5 GB | Audio rumoroso, alta accuratezza |
| large | 1550M | ⭐ | ⭐⭐⭐⭐⭐⭐ | ~10 GB | Massima accuratezza, produzione |
Raccomandazioni:
- Per la velocità: usa
tinyobase - Per un compromesso: usa
smallomedium - Per l'accuratezza: usa
largeolarge-v3 - Per la produzione: spesso
mediumolarge-v2
Prerequisiti
Prima di usare Whisper, assicurati di avere:
- Python 3.8 o successivo (consigliato Python 3.9+)
- pip come gestore pacchetti
- FFmpeg installato (per l'elaborazione audio/video)
- (Opzionale) GPU NVIDIA con CUDA per elaborazione più veloce
- (Opzionale) 4 GB+ di RAM per il modello base, 10 GB+ per il modello large
Passaggio 1: Installazione
Installare Whisper
Installa il pacchetto OpenAI Whisper con pip:
pip install openai-whisper
Oppure con una versione specifica:
pip install openai-whisper==20231117
Installare FFmpeg
FFmpeg è necessario per decodificare file audio e video.
macOS (con Homebrew):
brew install ffmpeg
Ubuntu / Debian:
sudo apt update
sudo apt install ffmpeg
Windows:
- Scarica FFmpeg da ffmpeg.org
- Estrai e aggiungi al PATH di sistema
- Oppure usa:
choco install ffmpeg(con Chocolatey)
Verifica installazione:
ffmpeg -version
whisper --version
Passaggio 2: Utilizzo di base — Python
Trascrizione semplice
Ecco il modo più semplice per trascrivere un audio:
import whisper
# Load model (downloads automatically on first use)
model = whisper.load_model("base")
# Transcribe audio file
result = model.transcribe("audio.mp3")
# Print transcription
print(result["text"])
Risultato:
Hello everyone, welcome to today's meeting. We will discuss the project timeline and upcoming milestones.
Esempio completo con gestione degli errori
import whisper
import os
def transcribe_audio(audio_path, model_size="base"):
"""
Transcribe an audio file using Whisper.
Args:
audio_path (str): Path to the audio file
model_size (str): Whisper model size (tiny, base, small, medium, large)
Returns:
dict: Transcription result with text and segments
"""
try:
# Check if audio file exists
if not os.path.exists(audio_path):
raise FileNotFoundError(f"Audio file not found: {audio_path}")
# Load the Whisper model
print(f"Loading Whisper model: {model_size}")
model = whisper.load_model(model_size)
# Transcribe the audio
print(f"Transcribing: {audio_path}")
result = model.transcribe(audio_path)
print(f"✓ Transcription complete!")
print(f" Language: {result['language']}")
print(f" Duration: {result['segments'][-1]['end']:.2f}s")
return result
except Exception as e:
print(f"Error during transcription: {str(e)}")
return None
# Example usage
if __name__ == "__main__":
audio_file = "meeting.mp3"
result = transcribe_audio(audio_file, model_size="base")
if result:
print("\n" + "="*50)
print("TRANSCRIPTION:")
print("="*50)
print(result["text"])
Passaggio 3: Rilevamento e specifica della lingua
Rilevamento automatico della lingua
Whisper rileva automaticamente la lingua:
import whisper
model = whisper.load_model("base")
result = model.transcribe("audio.mp3")
print(f"Detected language: {result['language']}")
print(f"Language probability: {result.get('language_probability', 0):.2%}")
print(f"\nTranscription:\n{result['text']}")
Specificare la lingua (più veloce e più accurato)
Quando conosci la lingua, indicarla migliora velocità e accuratezza:
import whisper
model = whisper.load_model("base")
# Specify language
result_en = model.transcribe("audio.mp3", language="en") # English
result_zh = model.transcribe("audio.mp3", language="zh") # Chinese
result_es = model.transcribe("audio.mp3", language="es") # Spanish
result_fr = model.transcribe("audio.mp3", language="fr") # French
result_de = model.transcribe("audio.mp3", language="de") # German
result_ja = model.transcribe("audio.mp3", language="ja") # Japanese
print(result_en["text"])
Lingue supportate:
Whisper supporta oltre 99 lingue. Codici di lingua comuni:
en- Englishzh- Chinesees- Spanishfr- Frenchde- Germanja- Japaneseko- Koreanpt- Portugueseru- Russianit- Italian
Passaggio 4: Timestamp e segmenti
Accedere ai segmenti con timestamp
import whisper
model = whisper.load_model("base")
result = model.transcribe("audio.mp3")
# Print full transcription
print("Full Text:")
print(result["text"])
# Print segments with timestamps
print("\n" + "="*50)
print("Segments with Timestamps:")
print("="*50)
for segment in result["segments"]:
start = segment["start"]
end = segment["end"]
text = segment["text"].strip()
print(f"[{start:6.2f}s - {end:6.2f}s] {text}")
Risultato:
Full Text:
Hello everyone, welcome to today's meeting. We will discuss the project timeline.
==================================================
Segments with Timestamps:
==================================================
[ 0.00s - 5.20s] Hello everyone, welcome to today's meeting.
[ 5.20s - 12.50s] We will discuss the project timeline.
Formattare i timestamp come timecode
def format_timestamp(seconds):
"""Format seconds to HH:MM:SS."""
hours = int(seconds // 3600)
minutes = int((seconds % 3600) // 60)
secs = int(seconds % 60)
return f"{hours:02d}:{minutes:02d}:{secs:02d}"
for segment in result["segments"]:
start_time = format_timestamp(segment["start"])
end_time = format_timestamp(segment["end"])
print(f"[{start_time} - {end_time}] {segment['text']}")
Timestamp a livello di parola
Abilita i timestamp a livello di parola per un timing preciso:
import whisper
model = whisper.load_model("base")
result = model.transcribe(
"audio.mp3",
word_timestamps=True # Enable word-level timestamps
)
for segment in result["segments"]:
print(f"\n[{segment['start']:.2f}s - {segment['end']:.2f}s]")
print(f"Text: {segment['text']}")
# Word-level timestamps
if "words" in segment:
print("Words:")
for word in segment["words"]:
print(f" {word['word']} [{word['start']:.2f}s - {word['end']:.2f}s]")
Passaggio 5: Traduzione della voce
Whisper può tradurre parlato in lingue diverse dall'inglese direttamente in inglese:
import whisper
model = whisper.load_model("base")
# Translate to English (regardless of source language)
result = model.transcribe("spanish_audio.mp3", task="translate")
print("Translated to English:")
print(result["text"])
# Original transcription (in original language)
result_original = model.transcribe("spanish_audio.mp3", task="transcribe")
print("\nOriginal language transcription:")
print(result_original["text"])
Casi d'uso:
- Riunioni internazionali
- Elaborazione di contenuti multilingue
- Localizzazione dei contenuti
- Materiali per l'apprendimento linguistico
Passaggio 6: Parametri avanzati
Temperatura e beam size
Controlla qualità e velocità di trascrizione:
import whisper
model = whisper.load_model("base")
result = model.transcribe(
"audio.mp3",
temperature=0.0, # Lower = more deterministic (0.0 recommended)
beam_size=5, # Higher = more accurate but slower (default: 5)
best_of=5, # Number of candidates to consider
patience=1.0, # Beam search patience
condition_on_previous_text=True, # Use context from previous segments
initial_prompt="This is a technical meeting about AI and machine learning." # Context prompt
)
Valori di temperatura
temperature=0.0— Più deterministico, consigliatotemperature=0.2-0.4— Leggermente più variazionetemperature=1.0— Più creativo, meno accurato
Prompt iniziale per il contesto
Fornisci contesto per migliorare l'accuratezza:
result = model.transcribe(
"technical_meeting.mp3",
initial_prompt="This meeting discusses API endpoints, microservices, Kubernetes, and CI/CD pipelines."
)
result = model.transcribe(
"medical_audio.mp3",
initial_prompt="This is a medical consultation discussing patient symptoms and treatment options."
)
Passaggio 7: Interfaccia a riga di comando (CLI)
Whisper offre un'interfaccia a riga di comando potente:
Uso CLI di base
whisper audio.mp3
Specificare il modello
whisper audio.mp3 --model small
whisper audio.mp3 --model medium
whisper audio.mp3 --model large-v2
Specificare la lingua
whisper audio.mp3 --language en
whisper audio.mp3 --language zh
Formati di output
# SRT subtitles
whisper audio.mp3 --output_format srt
# VTT subtitles
whisper audio.mp3 --output_format vtt
# Text file
whisper audio.mp3 --output_format txt
# JSON (with all metadata)
whisper audio.mp3 --output_format json
# TSV (tab-separated values)
whisper audio.mp3 --output_format tsv
Opzioni avanzate della CLI
# Full example with all options
whisper audio.mp3 \
--model medium \
--language en \
--task transcribe \
--output_format srt \
--output_dir ./transcripts \
--verbose True \
--temperature 0.0 \
--beam_size 5 \
--best_of 5 \
--fp16 True
Riferimento opzioni CLI
| Opzione | Descrizione | Predefinito |
|---|---|---|
--model | Dimensione del modello (tiny, base, small, medium, large) | base |
--language | Codice lingua (en, zh, es, ecc.) | Rilevamento automatico |
--task | transcribe o translate | transcribe |
--output_format | Formato di output (txt, srt, vtt, json, tsv) | txt |
--output_dir | Cartella di output | Cartella corrente |
--temperature | Temperatura per il campionamento | 0.0 |
--beam_size | Beam size per la beam search | 5 |
--best_of | Numero di candidati | 5 |
--fp16 | Usa precisione FP16 (GPU) | True |
--verbose | Output dettagliato | False |
Passaggio 8: Formati audio e video supportati
Whisper supporta i formati più comuni tramite FFmpeg:
Formati supportati
- Audio: MP3, WAV, M4A, FLAC, OGG, AAC, WMA
- Video: MP4, AVI, MKV, MOV, WebM, FLV
- Streaming: può elaborare flussi audio
Esempi di formato
import whisper
model = whisper.load_model("base")
# Audio formats
model.transcribe("audio.mp3")
model.transcribe("audio.wav")
model.transcribe("audio.m4a")
model.transcribe("audio.flac")
# Video formats (extracts audio automatically)
model.transcribe("video.mp4")
model.transcribe("video.mkv")
model.transcribe("video.webm")
Passaggio 9: Esempio completo per la produzione
Ecco un esempio completo, pronto per la produzione:
import whisper
import json
from pathlib import Path
from datetime import datetime
class WhisperTranscriber:
"""Production-ready Whisper transcription service."""
def __init__(self, model_size="base"):
"""Initialize transcriber with specified model."""
print(f"Loading Whisper model: {model_size}")
self.model = whisper.load_model(model_size)
print("✓ Model loaded successfully")
def transcribe_file(self, audio_path, output_dir="transcripts", **kwargs):
"""
Transcribe audio file and save results.
Args:
audio_path: Path to audio file
output_dir: Directory to save outputs
**kwargs: Additional transcribe parameters
"""
audio_path = Path(audio_path)
if not audio_path.exists():
raise FileNotFoundError(f"Audio file not found: {audio_path}")
output_path = Path(output_dir)
output_path.mkdir(exist_ok=True)
print(f"\nTranscribing: {audio_path.name}")
# Transcribe
result = self.model.transcribe(
str(audio_path),
word_timestamps=True,
**kwargs
)
# Prepare output data
output_data = {
"file": str(audio_path),
"transcribed_at": datetime.now().isoformat(),
"language": result["language"],
"language_probability": result.get("language_probability", 0),
"duration": result["segments"][-1]["end"] if result["segments"] else 0,
"text": result["text"],
"segments": result["segments"]
}
# Save outputs
base_name = audio_path.stem
# Save as text
text_file = output_path / f"{base_name}.txt"
with open(text_file, "w", encoding="utf-8") as f:
f.write(result["text"])
# Save as JSON
json_file = output_path / f"{base_name}.json"
with open(json_file, "w", encoding="utf-8") as f:
json.dump(output_data, f, indent=2, ensure_ascii=False)
# Save as SRT
srt_file = output_path / f"{base_name}.srt"
self._save_srt(result["segments"], srt_file)
print(f"✓ Transcription saved:")
print(f" - Text: {text_file}")
print(f" - JSON: {json_file}")
print(f" - SRT: {srt_file}")
return output_data
def _save_srt(self, segments, output_path):
"""Save segments as SRT subtitle file."""
with open(output_path, "w", encoding="utf-8") as f:
for i, segment in enumerate(segments, start=1):
start = self._format_srt_time(segment["start"])
end = self._format_srt_time(segment["end"])
text = segment["text"].strip()
f.write(f"{i}\n{start} --> {end}\n{text}\n\n")
def _format_srt_time(self, seconds):
"""Format seconds to SRT timestamp."""
hours = int(seconds // 3600)
minutes = int((seconds % 3600) // 60)
secs = int(seconds % 60)
millis = int((seconds % 1) * 1000)
return f"{hours:02d}:{minutes:02d}:{secs:02d},{millis:03d}"
# Usage
if __name__ == "__main__":
transcriber = WhisperTranscriber(model_size="base")
result = transcriber.transcribe_file(
"meeting.mp3",
output_dir="transcripts",
language="en",
temperature=0.0
)
print(f"\nLanguage: {result['language']}")
print(f"Duration: {result['duration']:.2f}s")
print(f"\nTranscription preview:")
print(result['text'][:200] + "...")
Passaggio 10: Best practice
1. Scegliere il modello giusto
# For speed (testing, demos)
model = whisper.load_model("tiny")
# For balance (general use)
model = whisper.load_model("base") # or "small"
# For accuracy (production)
model = whisper.load_model("medium") # or "large-v2"
2. Specificare la lingua quando è nota
# Faster and more accurate
result = model.transcribe("audio.mp3", language="en")
# Instead of auto-detection
result = model.transcribe("audio.mp3") # Slower
3. Usare la temperatura appropriata
# Recommended for most cases
result = model.transcribe("audio.mp3", temperature=0.0)
# For creative content (not recommended for transcription)
result = model.transcribe("audio.mp3", temperature=0.2)
4. Fornire contesto con un prompt iniziale
# Technical content
result = model.transcribe(
"meeting.mp3",
initial_prompt="This meeting discusses software architecture, APIs, and deployment strategies."
)
# Medical content
result = model.transcribe(
"consultation.mp3",
initial_prompt="This is a medical consultation about patient symptoms and treatment."
)
5. Riutilizzare le istanze del modello
# Load once, reuse multiple times
model = whisper.load_model("base")
# Process multiple files
for audio_file in ["file1.mp3", "file2.mp3", "file3.mp3"]:
result = model.transcribe(audio_file)
# Process result...
6. Gestire file audio molto lunghi
Per file audio molto lunghi, valuta la suddivisione in segmenti:
import whisper
from pydub import AudioSegment
def transcribe_long_audio(audio_path, chunk_length_ms=600000): # 10 minutes
"""Transcribe long audio by splitting into chunks."""
model = whisper.load_model("base")
# Load audio
audio = AudioSegment.from_file(audio_path)
duration_ms = len(audio)
all_text = []
all_segments = []
# Process in chunks
for i in range(0, duration_ms, chunk_length_ms):
chunk = audio[i:i + chunk_length_ms]
chunk_path = f"chunk_{i}.wav"
chunk.export(chunk_path, format="wav")
result = model.transcribe(chunk_path)
all_text.append(result["text"])
all_segments.extend(result["segments"])
# Clean up chunk file
os.remove(chunk_path)
return {
"text": " ".join(all_text),
"segments": all_segments
}
Problemi comuni e soluzioni
Problema 1: FFmpeg non trovato
Errore:
FileNotFoundError: ffmpegSoluzione:
# Install FFmpeg
# macOS
brew install ffmpeg
# Ubuntu/Debian
sudo apt install ffmpeg
# Verify
ffmpeg -version
Problema 2: Memoria insufficiente
Errore:
RuntimeError: CUDA out of memory oppure esaurimento della RAM di sistemaSoluzioni:
# Use smaller model
model = whisper.load_model("base") # Instead of "large"
# Or use CPU
import torch
model = whisper.load_model("base", device="cpu")
# Or process in chunks (see above)
Problema 3: Trascrizione lenta
Problema: la trascrizione è molto lenta
Soluzioni:
# Use GPU if available
import torch
device = "cuda" if torch.cuda.is_available() else "cpu"
model = whisper.load_model("base", device=device)
# Use smaller model
model = whisper.load_model("tiny") # or "base"
# Reduce beam size (faster but slightly less accurate)
result = model.transcribe("audio.mp3", beam_size=1)
Problema 4: Scarsa accuratezza
Problema: la trascrizione contiene molti errori
Soluzioni:
# Use larger model
model = whisper.load_model("medium") # or "large"
# Specify language
result = model.transcribe("audio.mp3", language="en")
# Provide context
result = model.transcribe(
"audio.mp3",
initial_prompt="Context about the audio content..."
)
# Use optimal settings
result = model.transcribe(
"audio.mp3",
temperature=0.0,
beam_size=5,
best_of=5
)
Casi d'uso
1. Trascrizione di podcast
model = whisper.load_model("medium")
result = model.transcribe("podcast.mp3", language="en")
# Save transcript
with open("podcast_transcript.txt", "w") as f:
f.write(result["text"])
2. Generazione sottotitoli per YouTube
model = whisper.load_model("base")
result = model.transcribe("video.mp4", language="en")
# Generate SRT
# (Use CLI: whisper video.mp4 --output_format srt)
3. Appunti da riunione
model = whisper.load_model("base")
result = model.transcribe(
"meeting.mp3",
language="en",
initial_prompt="This is a business meeting discussing project updates and deadlines."
)
# Save with timestamps
for segment in result["segments"]:
print(f"[{segment['start']:.0f}s] {segment['text']}")
4. Trascrizione di interviste
model = whisper.load_model("medium")
result = model.transcribe("interview.mp3", language="en")
# Export for editing
with open("interview.txt", "w") as f:
for segment in result["segments"]:
f.write(f"[{segment['start']:.2f}s] {segment['text']}\n")
5. Traduzione di contenuti multilingue
model = whisper.load_model("base")
# Translate to English
result = model.transcribe("spanish_audio.mp3", task="translate")
print(result["text"]) # English translation
Whisper rispetto alle alternative
| Funzionalità | Whisper | API cloud | Faster-Whisper |
|---|---|---|---|
| Costo | Gratis | A pagamento al minuto | Gratis |
| Offline | ✅ | ❌ | ✅ |
| Velocità | Media | Veloce | Veloce (2-4×) |
| Accuratezza | Alta | Alta | Alta (stessa) |
| Configurazione | Facile | Molto facile | Facile |
| In tempo reale | ❌ | ✅ | ❌ |
| Privacy | ✅ In locale | ❌ Cloud | ✅ In locale |
Scegli Whisper quando:
- Vuoi una trascrizione gratuita e offline
- La privacy è importante
- Hai controllo dell'infrastruttura
- Elabori file in batch o contenuti archiviati
Scegli le API cloud quando:
- Ti serve la trascrizione in tempo reale
- Vuoi un'infrastruttura gestita
- Hai un budget per i costi API
- Ti serve il supporto enterprise
Passi successivi
Ora che hai imparato le basi, approfondisci:
- Whisper Python Example - Esempi Python più dettagliati
- Faster-Whisper Guide - Trascrizione 2-4× più veloce
- Whisper Accuracy Tips - Migliora la qualità della trascrizione
- Whisper Transcript Formatting - Formatta gli output (SRT, VTT, JSON)
- Whisper for Meetings - Trascrizione specifica per riunioni
Conclusione
OpenAI Whisper è tra i modelli speech-to-text open source più potenti disponibili oggi. Con un forte supporto multilingue, un'alta accuratezza di trascrizione e la possibilità di operare interamente offline, è un'ottima scelta per sviluppatori e creator che vogliono il pieno controllo del proprio flusso di lavoro di trascrizione.
Punti chiave:
- Whisper supporta oltre 99 lingue con alta accuratezza
- Scegli la dimensione del modello adeguata alle tue esigenze
- Specifica la lingua quando è nota per prestazioni migliori
- Usa i timestamp a livello di parola per un timing preciso
- Riutilizza le istanze del modello per più file
- Valuta faster-whisper per distribuzioni in produzione
Che tu stia trascrivendo podcast, generando sottotitoli o elaborando registrazioni di riunioni, Whisper offre una soluzione robusta, gratuita e rispettosa della privacy per la trascrizione speech-to-text.
Cerchi una soluzione professionale di speech-to-text? Visita SayToWords per scoprire la nostra piattaforma di trascrizione con intelligenza artificiale con prestazioni ottimizzate e più formati di output.