اگر دنبال یک راه رایگان و کاملاً آفلاین برای تبدیل فایل صوتی به متن فارسی هستید، درست آمده‌اید: Whisper مدل متن‌باز اوپن‌ای‌آی است که گفتار را در نزدیک به صد زبان، از جمله فارسی، به نوشتار تبدیل می‌کند و بدون نیاز به اینترنت روی سیستم خودتان اجرا می‌شود. در این آموزش، پیش‌نیازها و نصب، اولین مثال عملی، مقایسه اندازه مدل‌ها، تنظیمات مهم برای زبان فارسی، رفع خطاهای رایج و کاربردهای واقعی را گام‌به‌گام می‌خوانید؛ به‌گونه‌ای که در پایان همین امروز فایل صوتی جلسه، پادکست یا مصاحبه‌تان را به متن تمیز تبدیل کنید.

آموزش Whisper در یک نگاه

کافی است پکیج openai-whisper را با pip نصب کنید، ابزار ffmpeg در دسترس باشد و دو خط پایتون بنویسید: مدل را با load_model بارگذاری و فایل را با transcribe تبدیل کنید. برای فارسی، قید language="fa" همراه با مدل small یا بالاتر کیفیت قابل قبولی می‌دهد. ادامه این آموزش، جدول مقایسه مدل‌ها، تنظیمات دقیق خروجی و راه‌حل خطاهای شناخته‌شده را پوشش می‌دهد.

فهرست مطالب

Whisper چیست و چرا انتخابش کنیم؟
پیش‌نیازها و نصب Whisper در پایتون
اولین تبدیل گفتار به متن؛ CLI و پایتون
مقایسه مدل‌های Whisper؛ کدام را انتخاب کنیم؟
تنظیمات مهم برای زبان فارسی
خطاهای رایج Whisper و رفع آن‌ها
کاربردهای واقعی و امنیت داده‌ها
مسیر ادامه یادگیری
سوالات متداول
جمع‌بندی

Whisper چیست و چرا انتخابش کنیم؟

Whisper یک مدل یادگیری عمیق متن‌باز (MIT License) است که اوپن‌ای‌آی در سال ۲۰۲۲ منتشر کرد و برای تشخیص گفتار خودکار (ASR) آموزش دیده است. نکته کلیدی اینجاست: برخلاف سرویس‌های ابری، Whisper روی سخت‌افزار خودتان اجرا می‌شود؛ یعنی فایل صوتی هرگز سیستم شما را ترک نمی‌کند و هزینه‌ای به ازای هر دقیقه پرداخت نمی‌کنید. مدل روی حدود ۶۸۰ هزار ساعت داده صوتی از ۹۹ زبان آموزش دیده و در برابر لهجه، نویز پس‌زمینه و تغییر ناگهانی گوینده مقاوم‌تر از بیشتر مدل‌های قدیمی است.

در اکوسیستم فارسی هم کیفیت خروجی آن قابل اتکاست؛ طبیعی‌ترین حالت این است که متن روان و بدون فونتیک غلط تحویل بگیرید، اما نشانه‌گذاری (ویرگول و نقطه) همیشه کامل نیست. اگر حریم خصوصی، رایگان بودن و اجرای آفلاین برایتان مهم است، Whisper انتخاب منطقی‌ای است؛ اگر سرعت بالا روی حجم زیاد فایل دارید، نسخه بهینه‌شده آن یعنی faster-whisper را در ادامه همین آموزش معرفی می‌کنم.

پیش‌نیازها و نصب Whisper در پایتون

قبل از نصب، این موارد را آماده کنید:

پایتون ۳.۸ تا ۳.۱۱ (نسخه‌های خیلی جدید گاهی با وابستگی‌ها ناسازگارند)
ابزار ffmpeg برای خواندن فرمت‌های صوتی مثل MP3 و M4A
حداقل ۴ گیگابایت رم برای مدل‌های کوچک تا متوسط؛ کارت گرافیک NVIDIA سرعت را چند برابر می‌کند

ابتدا ffmpeg را نصب کنید؛ در ویندوز با:

winget install Gyan.FFmpeg

و در اوبونتو یا دبیان با:

sudo apt update && sudo apt install -y ffmpeg

سپس پکیج اصلی را نصب کنید:

python -m pip install -U pip
python -m pip install -U openai-whisper

نصب را با اجرای دستور whisper --help در ترمینال بررسی کنید؛ اگر لیست گزینه‌ها چاپ شد، همه‌چیز آماده است. توجه کنید که در اولین نصب، هیچ مدلی دانلود نمی‌شود؛ فایل مدل در اولین اجرا به‌صورت خودکار از سرور اوپن‌ای‌آی گرفته و در پوشه کاربر (در ویندوز مسیر .cache/whisper) ذخیره می‌شود، پس بعد از اولین اجرا می‌توانید آفلاین کار کنید.

اولین تبدیل گفتار به متن؛ CLI و پایتون

سریع‌ترین راه، خط فرمان است. فرض کنید فایل jalase.mp3 را در همان پوشه دارید:

whisper jalase.mp3 --model small --language fa --output_format txt

این دستور خروجی txt کنار فایل صوتی می‌سازد. اگر می‌خواهید زیرنویس بگیرید، --output_format srt را استفاده کنید. حالا همان کار را در پایتون انجام می‌دهیم؛ این روش برای ساخت ابزار و اسکریپت واقعی کاربرد دارد:

import whisper

model = whisper.load_model("small")
result = model.transcribe("jalase.mp3", language="fa")

print(result["text"])
print(result["segments"][0]["start"], "->", result["segments"][0]["end"])

خروجی، دو بخش دارد: text که متن کامل گفتار است و segments که فهرست تکه‌های زمانی با شروع، پایان و متن هر تکه را دارد؛ همین ساختار زمان‌بندی، پایه ساخت فایل SRT است. خط load_model در اولین اجرا ممکن است چند دقیقه طول بکشد چون مدل (برای small حدود ۴۶۰ مگابایت) دانلود می‌شود، ولی اجراهای بعدی فوری‌اند.

مقایسه مدل‌های Whisper؛ کدام را انتخاب کنیم؟

وایپر در چند اندازه عرضه می‌شود؛ هرچه مدل بزرگ‌تر، دقت بالاتر و سرعت و مصرف حافظه کمتر. اعداد زیر از مستندات رسمی مخزن openai/whisper گرفته شده‌اند:

مدل	پارامترها	حافظه پیشنهادی (VRAM)	سرعت نسبی	مناسب برای
tiny	۳۹M	۱GB	x10	تست و نمونه‌سازی سریع
base	۷۴M	۱GB	x7	پروژه‌های سبک و CPU ضعیف
small	۲۴۴M	۲GB	x4	انتخاب پیشنهادی برای فارسی
medium	۷۶۹M	۵GB	x2	دقت حرفه‌ای با GPU متوسط
large-v3	۱۵۵۰M	۱۰GB	x1	بالاترین دقت ممکن
turbo	۸۰۹M	۶GB	x8	تعادل دقت و سرعت

تجربه عملی برای متون فارسی: روی CPU بدون کارت گرافیک، مدل small منحنی معقولی بین کیفیت و زمان پردازش دارد؛ اگر GPU با حافظه بالای ۶ گیگابایت دارید، turbo را امتحان کنید. برای تصمیم نگیرید: یک فایل ۵ دقیقه‌ای را با دو مدل مختلف اجرا کنید و خروجی را چشمی مقایسه کنید.

تنظیمات مهم برای زبان فارسی

چند پارامتر وجود دارد که کیفیت متن فارسی را مستقیم تحت تأثیر قرار می‌دهد:

language="fa" — اگر این قید را نگذارید، مدل خودش زبان را حدس می‌زند و در فایل‌های کوتاه گاهی فارسی را با زبان دیگر اشتباه می‌گیرد.
task="translate" — صدا را به انگلیسی ترجمه می‌کند؛ برای تبدیل فارسی به فارسی لازم نیست و استفاده نادرست از آن خروجی را خراب می‌کند.
fp16=False — روی CPU این گزینه هشدار «FP16 is not supported» را حذف می‌کند.
word_timestamps=True — زمان هر کلمه را هم برمی‌گرداند؛ برای ساخت زیرنویس کلمه‌به‌کلمه و هایلایت عالی است.
initial_prompt="متن نمونه با املای درست" — یک ترفند کاربردی: چند خط از اصطلاحات تخصصی موضوع را داخلش بگذارید تا مدل املای نام‌ها و واژه‌های کلیدی را همان‌طور بنویسد.

نکته مهم: وایپر نشانه‌گذاری را در فارسی زیاد جدی نمی‌گیرد؛ اگر برای انتشار آماده می‌کنید، یک مرحله ویرایش انسانی یا پاک‌سازی ساده روی خروجی در نظر بگیرید.

خطاهای رایج Whisper و رفع آن‌ها

FileNotFoundError یا خطای ffmpeg: یعنی ffmpeg نصب نیست یا در PATH قرار ندارد. بعد از نصب با winget یا apt، ترمینال را کامل ببندید و دوباره باز کنید.
پردازش خیلی کند روی CPU: طبیعی است؛ مدل را به base یا tiny تغییر دهید، فایل را به تکه‌های کوتاه‌تر بشکنید، یا سراغ faster-whisper بروید که با بهینه‌سازی CTranslate2 و حالت int8 روی CPU تا چند برابر سریع‌تر است.
CUDA out of memory: مدل برای حافظه GPU شما بزرگ است؛ مدل کوچک‌تر انتخاب کنید یا batch_size=1 را در faster-whisper تنظیم کنید.
تکرار و توهم متن در بخش‌های بی‌صدایی: مدل در سکوت طولانی ممکن است یک جمله را تکرار کند؛ حذف بخش‌های بی‌صدا (VAD) یا تمیز کردن ورودی این مشکل را حل می‌کند.
متن قاطی انگلیسی: معمولاً با قید کردن language="fa" و دادن یک initial_prompt فارسی درست می‌شود.

کاربردهای واقعی و امنیت داده‌ها

حالا که تبدیل ساده را یاد گرفتید، چند کاربرد عملی که همین ساختار را می‌طلبد:

صورت‌جلسه خودکار: صدای جلسه را به متن تبدیل کنید و با یک خلاصه‌ساز هوشمند به جمع‌بندی و فهرست اقدامات برسانید.
زیرنویس پادکست و ویدیو: با --output_format srt در چند دقیقه زیرنویس اولیه می‌گیرید که فقط به ویرایش نیاز دارد.
متن‌سازی مصاحبه‌های روزنامه‌نگاری: ساعت‌ها فایل صوتی در همان روز متن می‌شود، آن هم آفلاین.
جستجو در آرشیو صوتی: متن خروجی را در دیتابیس بریزید تا محتوای آرشیو قابل جستجو شود؛ اگر بخواهید همین متن‌ها را به یک دستیار پرسش‌وپاسال متصل کنید، «آموزش ساخت RAG هوشمند با LangChain و Chroma از صفر» بهترین قدم بعدی شماست.

برای خودکارسازی هم مسیر روشن است: مثلاً هر شب پوشه «سطل برداشت‌شده» را با یک اسکریپت اسکن کنید و فایل‌های تازه را پردازش کنید؛ ساختن چنین جریان منظمی دقیقاً کاری است که در «آموزش Prefect در پایتون؛ مدیریت جریان کار مدرن» قدم‌به‌قدم توضیح داده‌ایم. در بخش امنیت هم یک اصل را یادمان باشد: اجرای محلی یعنی داده حساس (صدای مشتریان، جلسات محرمانه) از دستگاه بیرون نمی‌رود؛ این برتری Whisper نسبت به سرویس‌های ابری است. در عوض فقط مدل و پکیج‌ها را از مخزن رسمی PyPI یا GitHub نصب کنید و برای پردازش فایل‌های ناشناس، خروجی را قبل از انتشار بازبینی کنید.

مسیر ادامه یادگیری

وقتی با API اصلی راحت شدید، برای حرفه‌ای شدن این سه مسیر را به ترتیب پیشنهاد می‌کنم: اول faster-whisper برای سرعت و کار با حجم بالا، دوم whisper.cpp برای اجرای سبک روی مک، لینوکس و حتی دستگاه‌های لبه، و سوم ترکیب خروجی متن با مدل‌های زبانی برای خلاصه‌سازی و دسته‌بندی خودکار. برای پردازش بلادرنگ (real-time) هم کتابخانه‌های streaming بر پایه Whisper وجود دارند، اما کیفیت آن‌ها به‌مرتب از نسخه فایل‌محور پایین‌تر است؛ اگر تأخیر چند ثانیه‌ای برایتان مهم نیست، مسیر ساده و مطمئن‌تر همین است.

سوالات متداول

آیا Whisper فارسی را خوب می‌شناسد؟

با مدل small به بالا کیفیت متن قابل استفاده است؛ نقطه ضعف اصلی، نشانه‌گذاری ناقص و گاهی املای نام‌های خاص است که با initial_prompt و یک ویرایش کوتاه حل می‌شود.

بدون اینترنت کار می‌کند؟

بله؛ فقط در اولین اجرا مدل دانلود می‌شود و بعد از آن همه‌چیز آفلاین روی سیستم خودتان انجام می‌گیرد.

حداقل سیستم مورد نیاز چیست؟

برای tiny و base یک لپ‌تاپ معمولی با ۴ گیگابایت رم کافی است؛ برای small روی CPU سرعت پایین‌تر ولی قابل قبول است و برای medium به بالا کارت گرافیک NVIDIA توصیه می‌شود.

تفاوت Whisper با faster-whisper چیست؟

مدل یکی است؛ faster-whisper همان وزن‌ها را با موتور CTranslate2 اجرا می‌کند و سرعت بالاتر و مصرف حافظه کمتری دارد، اما API آن کمی متفاوت است.

می‌توانم از صدای میکروفون به‌صورت زنده استفاده کنم؟

به‌صورت مستقیم نه؛ برای این کار باید میکروفون را به‌صورت فایل‌های کوتاه قطعه‌قطعه کنید و به مدل بدهید که با تأخیر چند ثانیه‌ای کار می‌کند.

جمع‌بندی

برای اینکه در همین مسیر بمانید، این چک‌لیست را دنبال کنید:

ffmpeg و پکیج openai-whisper را نصب کنید و با whisper --help صحت نصب را تست کنید.
یک فایل نمونه را با مدل small و قید language="fa" تبدیل کنید.
خروجی را چشمی بررسی کنید؛ اگر دقت کم بود به medium یا turbo بروید، اگر سرعت کم بود به faster-whisper.
برای خروجی تمیز، initial_prompt مخصوص موضوع خودتان را تنظیم کنید.
اسکریپت را با زمان‌بندی خودکار کنید تا هر روز آرشیو صوتی‌تان متن شود.

Whisper امروز یکی از بالغ‌ترین ابزارهای متن‌باز هوش مصنوعی صوتی است؛ نصبش ده دقیقه طول می‌کشد و در عوض، تبدیل گفتار به متن باکیفیت و کاملاً خصوصی را برای همیشه به جعبه‌ابزار پایتون شما اضافه می‌کند.

آموزش Whisper؛ تبدیل گفتار به نوشتار فارسی با پایتون