วิธีติดตั้งและใช้งาน OpenAI Whisper บนเครื่อง PC เพื่อแปลงเสียงพูดเป็นข้อความแบบออฟไลน์

Overview — Overview

OpenAI Whisper เป็นโมเดลแปลงเสียงพูดเป็นข้อความ (speech‑to‑text) ที่ให้ผลแม่นยำสูงและทำงานแบบออฟไลน์ได้บน PC ของคุณ ไม่ต้องพึ่งบริการคลาวด์ ลดความกังวลเรื่องข้อมูลส่วนบุคคลและการเชื่อมต่ออินเทอร์เน็ต บทความนี้จะสรุปขั้นตอนตั้งแต่เตรียมเครื่องจนถึงใช้งานจริงด้วยคำสั่งง่าย ๆ

สิ่งที่ต้องมี — Requirements

ก่อนลงมือทำ ควรตรวจสอบอุปกรณ์และซอฟต์แวร์พื้นฐานให้พร้อม

• ระบบปฏิบัติการ Windows 10/11 หรือ Linux (Ubuntu 20.04 ขึ้นไป)
• CPU ที่รองรับ AVX2 อย่างน้อย หรือ GPU NVIDIA RTX Series สำหรับความเร็วสูงสุด
• หน่วยความจำ RAM 8 GB ขึ้นไป (แนะนำ 16 GB)
• พื้นที่ว่างบนดิสก์อย่างน้อย 10 GB เพื่อเก็บโมเดลและไฟล์เสียง

**Tip: หากใช้ GPU ควรติดตั้งไดรเวอร์ NVIDIA ล่าสุด และ CUDA Toolkit เวอร์ชัน 11.x หรือสูงกว่า

ติดตั้ง Python และ Pip — Install Python & pip

Whisper ทำงานบน Python 3.8‑3.10 ดังนั้นต้องเตรียมสภาพแวดล้อมให้เรียบร้อย

• ดาวน์โหลดและติดตั้ง Python 3.9 จาก python.org (เลือก “Add Python to PATH”)
• เปิด Command Prompt / Terminal แล้วตรวจสอบเวอร์ชัน `python --version` และ `pip --version`
• อัปเดต pip ให้เป็นล่าสุด `python -m pip install --upgrade pip`

การติดตั้ง Whisper ผ่าน Pip — Install Whisper via pip

ขั้นตอนนี้ใช้คำสั่งเพียงสองบรรทัด

• ติดตั้งไลบรารีหลัก `pip install openai-whisper`
• หากต้องการรองรับ GPU ให้เพิ่ม `pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118` (เปลี่ยน “cu118” ตามเวอร์ชัน CUDA ของคุณ)

**Tip: ถ้าไม่ใช้ GPU ให้ข้ามขั้นตอนติดตั้ง torch‑cuda; เวอร์ชัน CPU จะทำงานได้แต่ช้ากว่า

ดาวน์โหลดโมเดล Whisper — Download Model

Whisper มีหลายขนาด (tiny, base, small, medium, large) ให้เลือกตามความต้องการ

• ใช้คำสั่ง `whisper --model small` เพื่อดาวน์โหลดโมเดล “small” (ประมาณ 1 GB)
• โมเดล “large” ให้ผลแม่นยำสูงสุดแต่ใช้พื้นที่และ RAM มากกว่า

*หมายเหตุ: ดาวน์สตาร์แสดงอัตราการประมวลผลโดยประมาณบน CPU Intel i7‑9700K

เลือกโมเดลที่สมดุลระหว่าง ความเร็ว และ ความแม่นยำ ตามการใช้งานของคุณ

วิธีใช้ Whisper ผ่าน Command Line — Using Whisper CLI

หลังจากดาวน์โหลดโมเดลแล้ว สามารถแปลงไฟล์เสียงได้ทันที

• **ขั้นตอนที่ 1: วางไฟล์ `.wav` หรือ `.mp3` ที่ต้องการแปลงในโฟลเดอร์เดียวกันกับโปรเจค
• **ขั้นตอนที่ 2: รันคำสั่ง `whisper audio_file.wav --model small --language th --output_format txt`
• **ขั้นตอนที่ 3: ผลลัพธ์จะถูกบันทึกเป็นไฟล์ `audio_file.txt` ในโฟลเดอร์เดียวกัน

คุณสามารถเพิ่มพารามิเตอร์อื่น ๆ ได้ เช่น

• `--temperature 0.2` ลดความไม่แน่นอนของผลลัพธ์
• `--task translate` แปลงเสียงภาษาอังกฤษเป็นข้อความไทย (ถ้าต้องการแปล)

**Tip: หากไฟล์เสียงยาวเกิน 30 นาที ควรตัดส่วนย่อยก่อนด้วย Audacity หรือ FFmpeg (`ffmpeg -i input.wav -ss 00:00:00 -t 00:10:00 part1.wav`)

การใช้งาน Whisper ผ่านสคริปต์ Python — Python Script Usage

สำหรับผู้ที่ต้องการรวมฟังก์ชันแปลงเสียงในโปรเจคของตน

```python import whisper

model = whisper.load_model("small") # โหลดโมเดลที่เลือก result = model.transcribe("audio_file.wav", language="th") print(result["text"]) ```

• **ขั้นตอนที่ 1: สร้างไฟล์ `transcribe.py` แล้วคัดลอกโค้ดข้างต้น
• **ขั้นตอนที่ 2: รันด้วย `python transcribe.py`
• **ขั้นตอนที่ 3: ผลลัพธ์จะแสดงบนหน้าจอและสามารถบันทึกเป็นไฟล์เพิ่มเติมได้

**Tip: ใช้ `torch.set_num_threads(4)` เพื่อควบคุมจำนวนเธรดของ CPU หากเครื่องมีคอร์จำกัด

ตัวเลือก GUI ที่ไม่ต้องเขียนโค้ด — GUI Options

หากคุณไม่ชอบ command line สามารถใช้แอปพลิเคชันฟรีเช่น “Whisper UI” หรือ “OpenAI Whisper Desktop”

• ดาวน์โหลดจาก GitHub (ค้นหา “whisper-gui”)
• แตกไฟล์และรัน `WhisperUI.exe` (Windows) หรือ `./WhisperUI` (Linux)
• เลือกโมเดล, โหลดไฟล์เสียง แล้วคลิก Transcribe ผลลัพธ์จะแสดงในหน้าต่างเดียวกัน

**Tip: ตรวจสอบให้แน่ใจว่าแอปใช้เวอร์ชัน Python และ torch เดียวกับที่ติดตั้งไว้แล้ว เพื่อหลีกเลี่ยงข้อขัดแย้งของไลบรารี

ปรับประสิทธิภาพการทำงาน — Performance Tips

เพื่อให้ Whisper ทำงานเร็วและแม่นยำมากขึ้น

• ใช้โมเดล “medium” หรือ “large” ร่วมกับ GPU RTX 3060 ขึ้นไป จะได้ความเร็วหลายเท่าของ CPU‑only
• ปิดฟีเจอร์ `beam_size` (`--best_of 1`) เพื่อลดการคำนวณซ้ำซ้อน
• แปลงไฟล์เสียงเป็น 16 kHz mono ก่อนทำการถอดคำ (`ffmpeg -i input.wav -ar 16000 -ac 1 output.wav`) เพื่อให้โมเดลประมวลผลได้เร็วที่สุด

ปัญหาที่พบบ่อยและวิธีแก้ — Common Issues

เมื่อใช้งาน Whisper บางครั้งอาจเจอข้อผิดพลาดที่ต้องจัดการ

• **Error: “CUDA out of memory” – ลดขนาดโมเดลเป็น “small” หรือเพิ่ม `--batch_size 1`
• เสียงแปลงออกมาเป็นข้อความว่างเปล่า – ตรวจสอบว่าฟอร์แมตไฟล์เป็น PCM 16‑bit; แปลงด้วย FFmpeg หากจำเป็น
• ImportError: torch not found – ติดตั้ง PyTorch อีกครั้งโดยระบุเวอร์ชัน CUDA ที่ตรงกับไดรเวอร์

**Tip: เก็บบันทึกการทำงาน (`whisper ... --verbose`) เพื่อดูรายละเอียดขั้นตอนและช่วยวินิจฉัยข้อผิดพลาดได้รวดเร็ว

Summary — Summary

OpenAI Whisper ให้คุณแปลงเสียงพูดเป็นข้อความแบบออฟไลน์บน PC ได้อย่างง่ายดาย เพียงเตรียม Python, ดาวน์โหลดโมเดลที่เหมาะสม แล้วใช้คำสั่ง CLI หรือสคริปต์ Python ตามต้องการ

• ตรวจสอบระบบ (CPU/GPU) และติดตั้ง Python 3.9+
• ใช้ `pip install openai-whisper` พร้อม PyTorch ที่รองรับ CUDA หากมี GPU
• เลือกโมเดลตามความสมดุลของ ความเร็ว vs ความแม่นยำ
• รันคำสั่ง CLI หรือเขียนโค้ด Python เพื่อถอดข้อความจากไฟล์เสียง
• ปรับพารามิเตอร์และทำไฟล์เสียงให้เป็น 16 kHz mono เพื่อประสิทธิภาพสูงสุด

**จำไว้ว่า: Whisper ทำงานได้เต็มที่เมื่อใช้ GPU และโมเดลขนาดกลาง‑ใหญ่; แต่สำหรับการทดลองหรืออุปกรณ์ทรัพยากรต่ำ โมเดล “tiny” หรือ “base” ก็เพียงพอแล้ว.