يمكن أن يحافظ الاستضافة الذاتية لـ Whisper على عمليات النسخ النصي على أجهزة تتحكم فيها، لكن «المحلي» لا يعني «الخصوصية التلقائية». يتكون الإعداد الموثوق من أربعة أجزاء: تنفيذ مناسب لـ Whisper، وملفات النماذج المحمّلة، ومسار معالجة صوتي قابل للتكرار، وحدود أمان تغطي الملفات المؤقتة والسجلات والنسخ الاحتياطية وأي واجهة برمجة تطبيقات محلية تعرضها.
يوفر لك هذا الدليل ثلاثة مسارات حالية: حزمة Python المرجعية لـ OpenAI، وfaster-whisper للاستدلال المحسّن بلغة Python، وwhisper.cpp لنشر خفيف الوزن بلغة C/C++. تم التحقق من الأوامر وإرشادات النماذج أدناه مقابل الوثائق الرسمية للمشاريع في 28 أغسطس 2026.
توصية سريعة
- ابدأ بـ OpenAI Whisper إذا كنت تريد التنفيذ المرجعي وأبسط واجهة سطر أوامر رسمية.
- اختر faster-whisper إذا كنت بحاجة إلى خدمة بلغة Python، أو المعالجة بالدفعات، أو التكميم، أو اكتشاف النشاط الصوتي المدمج.
- اختر whisper.cpp إذا كنت تريد بناءً أصليًا مدمجًا، ودعمًا لـ Apple Silicon، ونشرًا يركز على وحدة المعالجة المركزية، وصورة Docker رسمية، أو خادم HTTP محليًا صغيرًا.
ما تعنيه الاستضافة الذاتية لـ Whisper—وما لا تعنيه
Whisper هو نموذج للتعرف على الكلام وقاعدة أكواد مفتوحة المصدر. عندما تقوم بتشغيل تنفيذ على جهازك الخاص، يمكن أن تتم خطوة الاستدلال دون إرسال التسجيل إلى واجهة برمجة تطبيقات للنسخ النصي مستضافة. بعد توفر الحزم المطلوبة وأصول النماذج، يمكن أيضًا تشغيل النسخ النصي دون اتصال نشط بالإنترنت.
هذا يمثل حدًا مفيدًا للخصوصية، وليس برنامج أمان كاملًا. الاستدلال المحلي لا يؤمّن تلقائيًا الملفات المؤقتة، أو سجل الأوامر، أو سجلات التطبيق، أو النصوص المستخرجة، أو النسخ الاحتياطية لنظام التشغيل، أو المجلدات المشتركة، أو الخدمة التي تستمع إلى منفذ شبكة. قد تقوم أدوات تثبيت النماذج أيضًا بتنزيل الأوزان في المرة الأولى التي يُطلب فيها اسم النموذج.
قبل تسمية سير عمل بأنه «غير متصل بالإنترنت»، اختبره مع تعطيل الشبكة وتأكد من:
- بدء التطبيق دون محاولة استرداد حزمة أو نموذج؛
- تحميل النموذج المحدد من مسار محلي معروف؛
- بقاء الصوت المدخل والنص المُولّد في مجلدات معتمدة؛
- حذف الملفات المؤقتة وفقًا لسياسة الاحتفاظ الخاصة بك؛ و
- عدم إمكانية الوصول إلى أي خادم HTTP خارج الواجهة التي قصدتها.
اختر التنفيذ قبل اختيار النموذج
تشغل المسارات الثلاثة نماذج عائلة Whisper، لكنها لا تمتلك نفس التبعيات، أو أسماء الأوامر، أو تنسيقات النماذج، أو خصائص الأداء. اختر بيئة التشغيل التي تتوافق مع بيئة تشغيلك بدلًا من نسخ أمر مكتوب لتنفيذ آخر.
| التنفيذ | الأنسب | نموذج التبعية الرئيسية | حد أمان مهم |
|---|---|---|---|
| OpenAI Whisper | واجهة سطر أوامر وواجهة برمجة تطبيقات Python مرجعية | Python، PyTorch، FFmpeg | اختر بناء PyTorch الصحيح لوحدة المعالجة المركزية/CUDA |
| faster-whisper | خدمات Python محسّنة، المعالجة بالدفعات، INT8، VAD | Python وCTranslate2 | تختلف متطلبات مكتبة وحدة معالجة الرسومات حسب الإصدار المثبّت |
| whisper.cpp | بناء أصلي لوحدة المعالجة المركزية/Apple، التكميم، Docker، خادم محلي | CMake ومترجم مدعوم | يستخدم ملفات نماذج GGML محوّلة وأسماء واجهة سطر أوامر مختلفة |
اختر نموذجًا وحجم الأجهزة
تدرج OpenAI حاليًا ستة أحجام للنماذج. يقدم ملف README احتياجات VRAM التقريبية والسرعة النسبية المقاسة على وحدة معالجة رسومات مرجعية محددة. هذه الأرقام مفيدة للفحص، وليست ضمانات: تعتمد الذاكرة والسرعة الفعلية على التنفيذ، والدقة، وحجم الدفعة، وحجم الشعاع، واللغة، وطول الصوت، والأجهزة.
| اسم النموذج الرسمي | المعلمات | VRAM التقريبي في جدول OpenAI | نقطة انطلاق عملية |
|---|---|---|---|
| tiny | 39 M | ~1 GB | تجربة سريعة أو جهاز مقيد |
| base | 74 M | ~1 GB | نسخ نصي خفيف للغة الإنجليزية أو متعدد اللغات |
| small | 244 M | ~2 GB | تجربة متوازنة لوحدة المعالجة المركزية أو وحدة معالجة رسومات متواضعة |
| medium | 769 M | ~5 GB | عمل متعدد اللغات بدقة أعلى |
| large | 1,550 M | ~10 GB | أقصى سعة للنموذج المرجعي عندما تسمح الأجهزة |
| turbo | 809 M | ~6 GB | نسخ نصي سريع، ولكن ليس ترجمة |
يصف جدول OpenAI نموذج turbo بأنه يبلغ سرعته المرجعية نحو ثمانية أضعاف large في مقارنة الاختبار الخاصة به. لا تحوّل ذلك إلى وعد بأن يكون «أسرع ثمانية أضعاف على كل جهاز كمبيوتر». لم يتم تدريب Turbo على الترجمة. إذا كانت المهمة هي ترجمة كلام غير إنجليزي إلى الإنجليزية، توصي OpenAI باستخدام نموذج متعدد اللغات مثل medium أو large بدلًا من ذلك.
بالنسبة للتسجيلات باللغة الإنجليزية فقط، قد يكون من المفيد اختبار متغيرات .en لـ tiny وbase وsmall وmedium. لتحديد الحجم المناسب للإنتاج، شغّل نفس الملف التمثيلي على نموذجين مرشحين وسجّل ذروة الذاكرة، والوقت الفعلي، وأخطاء النسخ النصي، ووقت التصحيح.
تجهيز النظام وملف اختبار نظيف
أنشئ مجلد مشروع وبيئة افتراضية مخصصةين حتى تكون إصدارات الحزم مرئية وقابلة للتراجع. إذا كنت تستخدم تنفيذ OpenAI بلغة Python مع وحدة معالجة رسومات، فاختر أمر PyTorch الحالي لنظام التشغيل وإعداد CUDA الخاص بك من مُثبّت PyTorch الرسمي. تجنب نسخ رابط CUDA wheel قديم من دليل تعليمي.
يتطلب OpenAI Whisper أداة سطر الأوامر FFmpeg. ثبّته من خلال مدير حزم مدعوم أو من صفحة تنزيل FFmpeg الرسمية، ثم تحقق:
ffmpeg -version
python --version
FFmpeg ليس تبعية إلزامية شاملة لكل تنفيذ لـ Whisper. على سبيل المثال، يمكن لـ whisper.cpp فك تشفير المدخلات المدعومة من خلال أدواته الخاصة، بينما يوسع تكامل FFmpeg الاختياري دعم التنسيقات. لإنشاء ملف اختبار WAV أحادي 16 بت بتردد 16 kHz قابل للتنبؤ لـ whisper.cpp، استخدم:
ffmpeg -i input.mp3 -ar 16000 -ac 1 -c:a pcm_s16le output.wav
استخدم عينة قصيرة بموافقة تحتوي على اسم، ورقم، ومتحدثين، وفجوة هادئة، ومصطلحًا خاصًا بمجال واحد. هذا المقطع الثابت الوحيد سيكشف عن مشاكل نشر أكثر من مقطع تجريبي نظيف تمامًا.
المسار 1: تثبيت OpenAI Whisper
افتح واجهة سطر الأوامر داخل مجلد مشروعك، وأنشئ بيئة افتراضية، وفعّلها، وثبّت الحزمة الحالية:
python -m venv .venv
# Windows PowerShell
.\.venv\Scripts\Activate.ps1
# macOS أو Linux
source .venv/bin/activate
pip install -U openai-whisper
شغّل النسخ النصي الأول باستخدام واجهة سطر الأوامر الرسمية:
whisper audio.mp3 --model turbo
قد يقوم التشغيل الأول بتنزيل النموذج المحدد. بعد اكتماله، تحقق من إنشاء ملفات المخرجات المتوقعة واقرأ عدة طوابع زمنية مقابل الصوت المصدر. للنسخ النصي لنفس اللغة غير الإنجليزية، حدد اللغة إذا كان الاكتشاف التلقائي غير موثوق:
whisper japanese.wav --language Japanese --model turbo
للترجمة إلى الإنجليزية، لا تستخدم turbo:
whisper japanese.wav --model medium --language Japanese --task translate
استدعاء Python بسيط ومباشر بنفس القدر:
import whisper
model = whisper.load_model("turbo")
result = model.transcribe("audio.mp3")
print(result["text"])
المسار 2: تثبيت faster-whisper
يشغّل faster-whisper نماذج Whisper من خلال CTranslate2. وهو مفيد عندما تريد تكاملًا بلغة Python بدقة قابلة للتكوين، أو معالجة بالدفعات، أو طوابع زمنية للكلمات، أو تصفية VAD مدمجة.
python -m venv .venv
source .venv/bin/activate # Windows: .\.venv\Scripts\Activate.ps1
pip install faster-whisper
ابدأ بجهاز ونوع حساب صريحين بدلًا من افتراض مسار وحدة معالجة الرسومات:
from faster_whisper import WhisperModel
model = WhisperModel("small", device="cpu", compute_type="int8")
segments, info = model.transcribe(
"audio.mp3",
beam_size=5,
vad_filter=True,
)
print("Detected language:", info.language)
for segment in segments:
print(f"[{segment.start:.2f} - {segment.end:.2f}] {segment.text}")
يتم إنشاء الأجزاء المرجعة بشكل كسول، لذا كررها لإجراء النسخ النصي. في نشر NVIDIA، اتبع متطلبات مكتبة وحدة معالجة الرسومات الحالية لمستودع faster-whisper وتحقق من الإصدارات المثبتة بدلًا من الاعتماد على مزيج CUDA/CUDNN أقدم من منشور مدونة.
تحتاج الاختبارات المرجعية إلى شروطها. يذكر مشروع faster-whisper حاليًا مثالًا استخدم فيه large-v2 مع INT8 مساحة 2,926 ميجابايت على RTX 3070 Ti 8GB، مع حجم شعاع 5 ومجموعة البرامج المعلنة للمستودع. يوضح هذا النتيجة تكوينًا تم اختباره؛ وليست وعدًا بأن كل نموذج أو وحدة معالجة رسومات أو حجم دفعة أو ملف صوتي سيستخدم نفس الذاكرة.
المسار 3: بناء whisper.cpp
يعيش المشروع الحالي تحت ggml-org/whisper.cpp ويستخدم CMake في دليل البدء السريع الموثق. استنسخ المستودع، وحمّل نموذجًا محوّلًا، وابنِ واجهة سطر الأوامر:
git clone https://github.com/ggml-org/whisper.cpp.git
cd whisper.cpp
sh ./models/download-ggml-model.sh base.en
cmake -B build
cmake --build build -j --config Release
شغّل نسخًا نصيًا بمسار نموذج صريح:
./build/bin/whisper-cli \
--model models/ggml-base.en.bin \
--file output.wav
على Windows، قد يكون الملف التنفيذي داخل مجلد خاص بالتكوين مثل build\bin\Release. استخدم whisper-cli --help من مخرجات البناء الفعلية لتأكيد الأعلام لإصدارك.
يدعم whisper.cpp أيضًا نماذج GGML المكمّمة، والتي يمكن أن تقلل استخدام الذاكرة والقرص. يمكن أن يغير التكميم الجودة والسرعة، لذا قارن مرشحًا مكمّمًا بنظيره غير المكمّم على مقطعك الثابت الخاص بك قبل توحيده.
تجهيز نشر معزول عن الشبكة
لا يمكن للنظام المعزول عن الشبكة جلب عجلات Python المفقودة، أو مكتبات وحدة معالجة الرسومات، أو أوزان النماذج، أو أصول VAD، أو طبقات الحاوية. ابنِ بيانًا كاملًا على جهاز تجريبي متصل أولًا.
- سجل نظام التشغيل، وبنية وحدة المعالجة المركزية، ونموذج وحدة معالجة الرسومات، وإصدار برنامج التشغيل، وإصدار Python.
- حمّل الحزم الدقيقة، وملفات النماذج، ونموذج VAD الاختياري، ومجموعات التحقق من صحتها.
- انقل الأصول من خلال العملية المعتمدة في مؤسستك.
- ثبّت من مسارات محلية وقم بتكوين مجلد نموذج محلي صريح.
- افصل الشبكة قبل اختبار القبول.
- انسخ النص الثابت، وأكّد المخرجات، وراقب محاولات الاتصال الفاشلة.
لا تفترض أن نجاح التشغيل الأول عبر الإنترنت يثبت نشرًا غير متصل بالإنترنت. قد يكون قد ملأ ذاكرة تخزين مؤقت خاصة بالمستخدم لن تكون موجودة تحت حساب خدمة أو في حاوية جديدة. اختبر باستخدام نفس الهوية والمجلدات وطريقة الإطلاق التي سيستخدمها الإنتاج.
تشغيل واجهة برمجة تطبيقات محلية أو خدمة Docker بأمان
يتضمن whisper.cpp whisper-server، وهو خادم HTTP مع مسار نسخ نصي شبيه بـ OpenAI. ابنِ المشروع أولًا، ثم افحص خيارات الخادم الحالية:
./build/bin/whisper-server --help
./build/bin/whisper-server \
--host 127.0.0.1 \
--port 8080 \
--model models/ggml-base.en.bin
اربط الخدمة بـ localhost ما لم يكن جهاز آخر بحاجة فعلية إلى الوصول. تحذر وثائق Docker من أن المنافذ المنشورة يمكن الوصول إليها خارج المضيف عند ربطها على نطاق واسع. إذا كنت تعرض النسخ النصي عمدًا على شبكة محلية، أضف المصادقة، وTLS، وحدود حجم الطلب، ووقت الانتظار، وعزل الرفع، وسياسة الاحتفاظ؛ العملية المحلية ليست طبقة تحكم في الوصول.
ينشر مشروع whisper.cpp أيضًا صور Docker للمشروع. ثبّت مجلد النموذج حتى لا تقوم حاوية أعيد إنشاؤها بتنزيل الأصول مرة أخرى:
docker run --rm \
-v /absolute/path/models:/models \
-v /absolute/path/audio:/audios \
ghcr.io/ggml-org/whisper.cpp:main \
"whisper-cli -m /models/ggml-base.en.bin -f /audios/output.wav"
ثبّت بصمة صورة أو إصدارًا مختبرًا للإنتاج. تعامل مع أغلفة المجتمع كمشاريع منفصلة: تحقق من مستودعها ومخطط واجهتها البرمجية (API) وناشر الصورة وترخيصها ومعدل تحديثها وإعدادات الشبكة الافتراضية، بدلًا من تقديمها كخدمات رسمية من OpenAI.
استخدام VAD دون إخفاء الكلام الفعلي
يمكن أن تنتج المقاطع الطويلة من غير الكلام مخرجات غير مرغوب فيها في النسخ التلقائي. يمكن لكشف النشاط الصوتي تخطي المناطق المصنفة على أنها صمت أو غير كلام قبل فك التشفير، مما يقلل من العمل الضائع وبعض الأخطاء المتعلقة بالصمت. لا يمكنه ضمان اختفاء كل هلوسة، ويمكن أن تؤدي العتبات الصارمة إلى إزالة الكلمات الخافتة.
يكشف faster-whisper عن Silero VAD من خلال vad_filter=True. ابدأ بإعدادات المشروع الافتراضية، ثم اختبر فترات التوقف والمتحدثين بصوت منخفض والموسيقى والتسجيلات الصاخبة قبل تغيير المعلمات.
توفر وثائق whisper.cpp الحالية نموذج Silero قابلًا للتنزيل وعلامات VAD صريحة:
./models/download-vad-model.sh silero-v6.2.0
./build/bin/whisper-cli \
--file output.wav \
--model models/ggml-base.en.bin \
--vad \
--vad-model models/ggml-silero-v6.2.0.bin
راجع نقاط القطع مقارنةً بالموجة الصوتية. إذا اختفى المقطع الصوتي الأول بعد فترة توقف، فقلل من حدة التصفية أو أضف هامشًا حول الكلام المكتشف بدلًا من قبول نص مكتمل يبدو أنظف ولكنه ناقص.
التحقق من المخرجات والطوابع الزمنية والجودة
إن انتهاء الأمر بنجاح ليس كافيًا. احتفظ بالصوت المصدر الخام وراجع النص المكتوب باستخدام قائمة تحقق صغيرة للقبول:
- الاكتمال: هل الكلمتان الأولى والأخيرة موجودتان؟ هل قُطعت العبارات الخافتة؟
- الأسماء والأرقام: تحقق من الأشخاص والمنتجات والتواريخ والقياسات والمبالغ.
- اللغة: أكّد اللغة المكتشفة وما إذا كانت المهمة هي النسخ أو الترجمة.
- الطوابع الزمنية: انتقل إلى عدة حدود للمقاطع وتحقق من المحاذاة.
- سلوك الصمت: افحص فترات التوقف الطويلة بحثًا عن عبارات متكررة أو مخترعة.
- قابلية إعادة الإنتاج: سجّل إصدار التنفيذ، والنموذج، والدقة، والعلامات، والأجهزة، وبيئة التشغيل.
بالنسبة للترجمة، حدد سياسة لطول السطر وافحص ملف SRT أو VTT النهائي في مشغل. بالنسبة للملاحظات القابلة للبحث، احتفظ بالطوابع الزمنية أو معرفات المقاطع حتى يتمكن المراجع من العودة إلى الصوت. بالنسبة للمواد الحساسة، افصل التسجيل المصدر غير القابل للتغيير عن النص المُولَّد وطبق فترة احتفاظ محددة على كليهما.
إذا كنت تبني سير عملًا غير متصل بالإنترنت من الالتقاط إلى النسخ، فراجع أيضًا كيفية عمل معالجة الذكاء الاصطناعي الطرفية غير المتصلة بالإنترنت ومقارنة مسجلات الصوت بالذكاء الاصطناعي غير المتصلة بالإنترنت.
استكشاف الأخطاء الشائعة وإصلاحها
| العرض | التحقق المرجح | الإجراء التالي |
|---|---|---|
| لم يتم العثور على FFmpeg | الملف التنفيذي مفقود أو غير موجود في PATH | شغّل ffmpeg -version في نفس الواجهة البرمجية وأصلح PATH |
| CUDA غير متاح | PyTorch مخصص للمعالج فقط أو مكتبات GPU غير متوافقة | استخدم أداة اختيار PyTorch المباشرة ومتطلبات GPU الخاصة بالمشروع |
| خطأ في الذاكرة | يتجاوز النموذج أو الدقة أو الدفعة أو المهام المتزامنة الذاكرة | جرب نموذجًا أصغر، أو حجم دفعة أقل، أو نوع حوسبة مكممًا مدعومًا |
| يرفض whisper.cpp الصوت | تنسيق غير مدعوم للمثال المبني | حوّله إلى WAV أحادي 16 بت بتردد 16 كيلو هرتز أو ابنِ دعم فك تشفير أوسع |
| نص متكرر في الصمت | وصل غير الكلام إلى فك التشفير | اختبر VAD، وراجع نقاط القطع، وقارن إعدادات النموذج/فك التشفير |
| تعيد الترجمة اللغة المصدر | تم استخدام Turbo لمهمة ترجمة | استخدم نموذجًا متعدد اللغات مثل medium أو large مع --task translate
|
| يحاول التشغيل غير المتصل بالإنترنت التنزيل | نموذج أو عجلة أو أصل VAD أو طبقة حاوية مفقودة | أكمل بيان الأصول واختبر تحت هوية الإنتاج |
الأسئلة الشائعة
هل يمكن تشغيل Whisper بالكامل دون اتصال بالإنترنت؟
نعم، يمكن تشغيل الاستدلال دون اتصال بالإنترنت بعد تخزين البرامج المطلوبة وأصول النماذج محليًا. أثبت الحدود باختبارها مع تعطيل الشبكة والتحقق من عمليات التنزيل المفقودة والملفات المؤقتة والسجلات والخدمات المكشوفة.
أي تنفيذ لـ Whisper يجب أن أستضيفه بنفسي؟
استخدم OpenAI Whisper لواجهة سطر الأوامر Python المرجعية، وfaster-whisper لخدمة Python محسّنة مع التكميم أو VAD، وwhisper.cpp للبناء الأصلي ونماذج GGML المكممة ونشر Apple/CPU وDocker أو خادمه المحلي المضمن.
هل يتطلب Whisper أداة FFmpeg؟
يتطلب تنفيذ OpenAI بلغة Python أداة FFmpeg لسطر الأوامر. هذا لا يجعل FFmpeg إلزاميًا لكل تنفيذ: لدى whisper.cpp مسار فك تشفير مدعوم خاصًا وتكاملًا اختياريًا مع FFmpeg لتنسيقات أوسع.
كم تبلغ ذاكرة VRAM التي يحتاجها نموذج turbo؟
يسرد جدول نماذج OpenAI حوالي 6 جيجابايت لـ turbo. تعامل مع هذا كتقدير تخطيطي للتنفيذ المرجعي؛ الاستخدام الفعلي يتغير مع بيئة التشغيل والدقة وحجم الدفعة والأجهزة وأعباء العمل المتزامنة.
هل يمكن لنموذج turbo ترجمة الكلام إلى الإنجليزية؟
لا. تذكر OpenAI أن turbo غير مدرب على الترجمة. استخدم نموذجًا متعدد اللغات مثل medium أو large عند ترجمة الكلام غير الإنجليزي إلى الإنجليزية.
هل يمنع VAD كل هلوسة لـ Whisper؟
لا. يمكن لـ VAD تقليل غير الكلام المرسل إلى النموذج وقد يقلل من المخرجات المتعلقة بالصمت، ولكنه يمكن أيضًا إزالة الكلام الخافت إذا تم تكوينه بصرامة مفرطة. تحقق من العتبات وحدود المقاطع على صوت ممثل.
هل واجهة Whisper البرمجية المحلية خاصة افتراضيًا؟
لا. يتجنب المعالجة المحلية واجهة برمجة تطبيقات النسخ المستضافة، ولكن لا تزال الخدمة بحاجة إلى ربط الواجهة والمصادقة عند المشاركة والنقل المشفر حيثما كان مناسبًا وعزل الرفع وضوابط التسجيل وسياسة الاحتفاظ.







0 تعليقات