# openai/whisper: chuyển giọng nói thành văn bản — hướng dẫn cài đặt và dùng

> Whisper là thư viện Python và mô hình nhận dạng giọng nói đa năng của OpenAI. Bạn có thể dùng nó để chép lời tệp âm thanh, nhận diện ngôn ngữ hoặc dịch lời nói không phải tiếng Anh sang tiếng Anh. Cài đặt tương đối đơn giản nếu máy đã có Python, pip và ffmpeg.

- Tác giả: Ông T (https://ongt.vn/gioi-thieu)
- Chủ đề: Repo & Skill
- Đăng: 2026-10-03 · Cập nhật: 2026-11-13
- URL: https://ongt.vn/bai-viet/openai-whisper-chuyen-giong-noi-thanh-van-ban-2

Whisper là thư viện Python và mô hình nhận dạng giọng nói đa năng, dùng để chuyển âm thanh thành văn bản. Repo hỗ trợ chép lời đa ngôn ngữ, nhận diện ngôn ngữ nói và dịch lời nói sang tiếng Anh.

Đây là lựa chọn phù hợp nếu bạn cần xử lý file ghi âm, cuộc họp, phỏng vấn, bài giảng hoặc nội dung video bằng mã Python hay dòng lệnh. Repo hiện có khoảng 112625 sao và 13657 fork, dùng giấy phép MIT, ngôn ngữ chính là Python.

Điểm đáng giá nhất là bạn có nhiều kích thước mô hình để cân bằng giữa tốc độ, độ chính xác và bộ nhớ GPU. Bạn cũng có thể bắt đầu bằng một lệnh dòng lệnh, sau đó tích hợp Whisper vào chương trình Python riêng.

```repo
- repo | openai/whisper
- kind | Thư viện
- desc | Whisper nhận dạng giọng nói đa ngôn ngữ, chép lời âm thanh, nhận diện ngôn ngữ và dịch lời nói sang tiếng Anh.
- stars | 113k
- lang | Python
- license | MIT
```

## Whisper làm được gì

### Chép lời từ tệp âm thanh

Whisper đọc các tệp như FLAC, MP3 và WAV rồi tạo ra văn bản tương ứng. Đây là chức năng hữu ích cho người cần biến bản ghi cuộc họp, cuộc phỏng vấn hoặc ghi chú bằng giọng nói thành nội dung có thể tìm kiếm và chỉnh sửa.

Thư viện xử lý toàn bộ tệp theo các cửa sổ âm thanh dài 30 giây. Vì vậy, bạn có thể đưa vào một tệp dài thay vì phải tự cắt thành nhiều đoạn trước.

### Nhận dạng giọng nói đa ngôn ngữ

Whisper được huấn luyện cho nhiều tác vụ xử lý giọng nói và nhiều ngôn ngữ. Khi biết trước ngôn ngữ, bạn có thể chỉ định ngôn ngữ bằng tùy chọn `--language`. Nếu chưa biết, API Python có hàm `detect_language()` để dự đoán ngôn ngữ nói.

Điều này phù hợp với các file có nội dung tiếng Việt, tiếng Anh hoặc tiếng Nhật. Kết quả thực tế còn phụ thuộc vào ngôn ngữ, tốc độ nói và phần cứng.

### Dịch lời nói sang tiếng Anh

Các mô hình đa ngôn ngữ như `tiny`, `base`, `small`, `medium` và `large` có thể dịch lời nói không phải tiếng Anh sang tiếng Anh. Bạn thực hiện việc này bằng `--task translate`.

Mô hình `turbo` không được huấn luyện cho tác vụ dịch. Nếu dùng `turbo` với `--task translate`, mô hình vẫn trả về nội dung ở ngôn ngữ gốc. README khuyên dùng `medium` hoặc `large` để có kết quả dịch tốt hơn.

### Nhận diện ngôn ngữ ở mức API

Ngoài hàm chép lời cấp cao, Whisper cung cấp các hàm cấp thấp hơn như `load_audio()`, `pad_or_trim()`, `log_mel_spectrogram()`, `detect_language()` và `decode()`.

Nhóm hàm này hữu ích khi bạn muốn kiểm soát từng phần của quy trình: đọc âm thanh, chuẩn hóa về cửa sổ 30 giây, tạo phổ log-Mel, phát hiện ngôn ngữ rồi giải mã nội dung.

### Chọn mô hình theo tài nguyên máy

Repo có sáu kích thước mô hình. `tiny` và `base` cần khoảng 1 GB VRAM, phù hợp để thử nghiệm nhanh. `small` cần khoảng 2 GB, `medium` khoảng 5 GB, `turbo` khoảng 6 GB và `large` khoảng 10 GB.

Các con số này là mức VRAM gần đúng được README công bố. Tốc độ thực tế có thể thay đổi đáng kể tùy ngôn ngữ, tốc độ nói và phần cứng.

Mô hình `turbo` là phiên bản tối ưu của `large-v3`, có tốc độ chép lời nhanh hơn với mức suy giảm độ chính xác nhỏ. Với ứng dụng chỉ xử lý tiếng Anh, các mô hình có hậu tố `.en` thường cho kết quả tốt hơn, nhất là `tiny.en` và `base.en`.

## Cần chuẩn bị gì

Bạn cần Python trong khoảng từ 3.8 đến 3.11. `pyproject.toml` yêu cầu Python từ 3.8 trở lên. README cho biết mã nguồn được dùng và kiểm thử với Python 3.9.9, PyTorch 1.10.1, đồng thời kỳ vọng tương thích với các bản PyTorch gần đây.

Bạn cần `pip` để cài gói `openai-whisper` hoặc cài trực tiếp từ repo. Các phụ thuộc Python được khai báo trong cách cài đặt của repo, trong đó có `tiktoken` của OpenAI.

Bạn cũng bắt buộc phải cài công cụ dòng lệnh `ffmpeg`. README có lệnh cài cho Ubuntu hoặc Debian, Arch Linux, macOS dùng Homebrew, Windows dùng Chocolatey và Windows dùng Scoop.

GPU không được README ghi là bắt buộc. Tuy nhiên, bảng mô hình có nêu mức VRAM gần đúng và tốc độ được đo trên GPU A100. Khi chọn mô hình, bạn nên đối chiếu VRAM thực tế của máy với mức yêu cầu trong bảng.

Trong một số nền tảng, `tiktoken` có thể không cung cấp wheel dựng sẵn. Khi đó, bạn có thể cần Rust và cấu hình biến môi trường `PATH`. Nếu lỗi nhắc đến `setuptools_rust`, README hướng dẫn cài thêm gói `setuptools-rust`.

## Cài đặt từng bước

```steps
- Chuẩn bị môi trường | Kiểm tra Python, pip và chọn thư mục làm việc
- Cài Whisper | Cài bản phát hành hoặc bản mới nhất từ repo
- Cài ffmpeg | Cài công cụ xử lý âm thanh theo hệ điều hành
- Xử lý lỗi phụ thuộc | Cài Rust hoặc setuptools-rust nếu pip báo lỗi
- Kiểm tra lệnh | Mở trợ giúp và chạy thử với một tệp âm thanh
```

### Chuẩn bị thư mục và Python

Mở Terminal, PowerShell hoặc cửa sổ dòng lệnh tại thư mục bạn muốn lưu mã nguồn. Nếu muốn lấy mã nguồn về máy, dùng lệnh phổ thông sau:

```bash
git clone https://github.com/openai/whisper.git
cd whisper
```

`git clone` tải repo về máy. `cd whisper` chuyển cửa sổ dòng lệnh vào thư mục repo. Nếu bạn chỉ muốn cài gói từ PyPI, không nhất thiết phải clone repo; bạn có thể chạy lệnh cài đặt ở bất kỳ thư mục nào.

README không đưa lệnh tạo môi trường ảo. Vì vậy, phần hướng dẫn chính thức chỉ ghi các lệnh cài gói bên dưới. Nếu bạn đã có nhiều dự án Python, nên tự chọn môi trường Python riêng để tránh xung đột gói, nhưng tên lệnh tạo môi trường không được nêu trong README.

### Cài bản phát hành của Whisper

Cách ngắn nhất là cài hoặc cập nhật bản phát hành mới nhất bằng lệnh sau:

```bash
pip install -U openai-whisper
```

`pip` tải gói Python có tên `openai-whisper` và các phụ thuộc cần thiết. Tùy hệ điều hành, bạn có thể cần mở Terminal với quyền phù hợp. Nếu pip báo không tìm thấy phiên bản Python tương thích, hãy kiểm tra lại Python có nằm trong khoảng 3.8 đến 3.11 hay không.

Nếu bạn muốn cài trực tiếp phiên bản mới nhất từ mã nguồn của repo, dùng:

```bash
pip install git+https://github.com/openai/whisper.git
```

Lệnh này lấy commit mới nhất từ repo và cài cả các phụ thuộc Python. Đây là cách phù hợp khi bạn muốn dùng bản mã nguồn thay vì bản phát hành.

Để cập nhật gói từ repo và cài lại mã nguồn, README cung cấp lệnh:

```bash
pip install --upgrade --no-deps --force-reinstall git+https://github.com/openai/whisper.git
```

Lệnh có `--force-reinstall` nên sẽ cài lại Whisper. Tùy chọn `--no-deps` không cài lại các phụ thuộc. Vì vậy, chỉ nên dùng lệnh này khi các phụ thuộc đã có hoặc bạn hiểu rõ môi trường Python đang dùng.

### Cài ffmpeg

Whisper yêu cầu công cụ dòng lệnh `ffmpeg`. Chọn đúng lệnh theo hệ điều hành:

```bash
# on Ubuntu or Debian
sudo apt update && sudo apt install ffmpeg

# on Arch Linux
sudo pacman -S ffmpeg

# on MacOS using Homebrew (https://brew.sh/)
brew install ffmpeg

# on Windows using Chocolatey (https://chocolatey.org/)
choco install ffmpeg

# on Windows using Scoop (https://scoop.sh/)
scoop install ffmpeg
```

Trên Windows, bạn cần cài Chocolatey hoặc Scoop trước nếu máy chưa có công cụ tương ứng. Sau khi cài xong, mở lại cửa sổ Terminal nếu lệnh `ffmpeg` chưa được nhận diện. Đừng nhầm `ffmpeg` với một gói Python: đây là công cụ dòng lệnh bên ngoài mà Whisper gọi để đọc âm thanh.

### Xử lý lỗi tiktoken và Rust

Trong một số nền tảng, `tiktoken` có thể không có wheel dựng sẵn. README cho biết khi đó bạn có thể cần cài Rust development environment và cấu hình biến môi trường `PATH`, ví dụ:

```bash
export PATH="$HOME/.cargo/bin:$PATH"
```

Ví dụ trên dùng cú pháp shell thường thấy trên Linux hoặc macOS. Không nên dán nguyên lệnh này vào PowerShell nếu bạn chưa đổi sang cú pháp phù hợp của Windows.

Nếu quá trình cài đặt báo lỗi `No module named 'setuptools_rust'`, chạy:

```bash
pip install setuptools-rust
```

Sau đó thử lại lệnh cài Whisper. README chỉ nói cần Rust khi tiktoken không cung cấp wheel dựng sẵn, nên bạn không cần cài Rust trước nếu quá trình cài đặt ban đầu không yêu cầu.

## Kiểm tra đã chạy được chưa

Cách nhanh nhất là gọi phần trợ giúp của lệnh Whisper:

```bash
whisper --help
```

Nếu cài thành công, lệnh phải mở phần hướng dẫn và các tùy chọn dòng lệnh. Đây là bước kiểm tra không cần tải hoặc xử lý một file âm thanh cụ thể.

Bạn cũng có thể chạy thử việc chép lời bằng một hoặc nhiều file âm thanh:

```bash
whisper audio.flac audio.mp3 audio.wav --model turbo
```

Lệnh trên dùng mô hình `turbo` để chép lời các file `audio.flac`, `audio.mp3` và `audio.wav`. Bạn cần thay các tên file mẫu bằng đường dẫn tới file thật. Nếu Terminal báo không tìm thấy file, hãy kiểm tra bạn đang đứng ở thư mục nào hoặc dùng đường dẫn đúng tới file.

Trong Python, dấu hiệu cài đặt thành công là chương trình có thể tải mô hình, chép lời và in trường `text`:

```python
import whisper

model = whisper.load_model("turbo")
result = model.transcribe("audio.mp3")
print(result["text"])
```

Lần đầu gọi `load_model("turbo")`, mô hình có thể cần được tải về. README không nêu kích thước file tải xuống hoặc thời gian tải, nên không nên coi đó là con số cố định.

## Dùng vào việc thật

### Chủ shop chép lời video giới thiệu sản phẩm

Một chủ shop có file ghi âm hoặc video âm thanh muốn lấy nhanh phần lời để biên tập nội dung có thể dùng lệnh dòng lệnh. Đặt file trong thư mục đang mở Terminal rồi chạy:

```bash
whisper product-demo.mp3 --model turbo
```

Whisper xử lý file và tạo kết quả chép lời theo khả năng của mô hình. Nếu nội dung là tiếng Anh, thiết lập mặc định với `turbo` được README mô tả là hoạt động tốt cho chép lời tiếng Anh. Chủ shop có thể dùng văn bản nhận được làm bản nháp mô tả sản phẩm, sau đó tự kiểm tra tên riêng, con số và thuật ngữ.

### Nhân viên văn phòng chuyển ghi âm cuộc họp thành văn bản

Nhân viên văn phòng có thể dùng API Python để đưa file ghi âm vào một quy trình nội bộ:

```python
import whisper

model = whisper.load_model("turbo")
result = model.transcribe("meeting.mp3")
print(result["text"])
```

Kết quả nằm trong `result["text"]`. Người dùng có thể lấy trường này để hiển thị hoặc lưu vào phần mềm riêng. README chỉ minh họa việc in văn bản, chưa mô tả chức năng tự động phân biệt người nói, tạo biên bản theo mẫu hay đồng bộ với lịch họp.

### Người dùng xử lý file tiếng Nhật

Nếu biết file chứa tiếng Nhật, bạn có thể chỉ rõ ngôn ngữ:

```bash
whisper japanese.wav --language Japanese
```

Lệnh này yêu cầu Whisper chép lời file `japanese.wav` với ngôn ngữ được chỉ định là Japanese. Việc ghi rõ ngôn ngữ giúp quy trình rõ ràng hơn khi bạn đã biết thông tin đầu vào.

### Dev dịch nội dung nói tiếng Nhật sang tiếng Anh

Một dev cần tạo bản dịch tiếng Anh từ file tiếng Nhật có thể chạy:

```bash
whisper japanese.wav --model medium --language Japanese --task translate
```

Ở đây `medium` là mô hình đa ngôn ngữ, `--language Japanese` chỉ định ngôn ngữ đầu vào và `--task translate` yêu cầu dịch sang tiếng Anh. Không dùng `turbo` cho trường hợp này vì README nói `turbo` không được huấn luyện cho tác vụ dịch và sẽ trả về ngôn ngữ gốc.

> Whisper giúp biến một file âm thanh thành điểm bắt đầu để làm nội dung, nhưng văn bản cuối cùng vẫn nên được con người rà lại.
>
> — Ông T

## Lỗi hay gặp và cách xử lý

### `pip install` báo lỗi khi cài tiktoken

Nguyên nhân có thể là nền tảng của bạn không có wheel dựng sẵn cho `tiktoken`. README hướng dẫn cài Rust development environment và có thể cần cấu hình `PATH` để hệ thống tìm thấy Rust.

Nếu lỗi cụ thể là `No module named 'setuptools_rust'`, chạy:

```bash
pip install setuptools-rust
```

Sau đó thử lại lệnh cài Whisper. Nếu vẫn lỗi, cần xem phần thông báo lỗi đầy đủ và hướng dẫn cài Rust tương ứng với hệ điều hành.

### Terminal báo không tìm thấy `ffmpeg`

Whisper yêu cầu `ffmpeg`, nên lỗi này thường xảy ra khi công cụ chưa được cài hoặc chưa có trong `PATH`. Cài bằng trình quản lý gói phù hợp với hệ điều hành theo các lệnh trong phần cài đặt, rồi mở lại Terminal.

Nếu bạn dùng Windows, kiểm tra mình đã dùng Chocolatey hoặc Scoop đúng với công cụ đang có. README không đưa lệnh kiểm tra phiên bản `ffmpeg`, nên chỉ cần xác nhận lệnh `whisper` có thể xử lý file âm thanh sau khi cài.

### Dùng `turbo` nhưng bản dịch vẫn là tiếng gốc

Đây là hành vi được README ghi rõ. `turbo` không được huấn luyện cho dịch, nên `--task translate` không biến lời nói thành tiếng Anh.

Hãy đổi sang một mô hình đa ngôn ngữ như `medium` hoặc `large`. Ví dụ:

```bash
whisper japanese.wav --model medium --language Japanese --task translate
```

### Mô hình chạy chậm hoặc thiếu VRAM

Các mô hình lớn cần nhiều VRAM hơn. README nêu mức gần đúng: `tiny` và `base` khoảng 1 GB, `small` khoảng 2 GB, `medium` khoảng 5 GB, `turbo` khoảng 6 GB và `large` khoảng 10 GB.

Nếu phần cứng không đáp ứng, hãy thử mô hình nhỏ hơn như `tiny` hoặc `base`. Đổi mô hình có thể ảnh hưởng đến tốc độ và độ chính xác, nên bạn cần kiểm tra trên chính loại âm thanh mình thường xử lý.

### Kết quả chép lời chưa chính xác

Whisper có hiệu năng khác nhau tùy ngôn ngữ, tốc độ nói và phần cứng. Với nội dung tiếng Anh, các bản `.en` thường có kết quả tốt hơn, đặc biệt là `tiny.en` và `base.en`.

Bạn có thể thử mô hình lớn hơn nếu máy đủ VRAM, hoặc chỉ định ngôn ngữ bằng `--language` khi đã biết ngôn ngữ đầu vào. README không đưa một tùy chọn sửa lỗi tự động hay tiêu chuẩn đảm bảo độ chính xác cho từng file, nên vẫn cần rà lại văn bản quan trọng.

## Có nên dùng không

Whisper đáng dùng nếu bạn cần một thư viện Python có thể chép lời âm thanh bằng dòng lệnh hoặc tích hợp vào chương trình. Repo hỗ trợ nhận dạng giọng nói đa ngôn ngữ, nhận diện ngôn ngữ, dịch sang tiếng Anh và có nhiều kích thước mô hình. Giấy phép MIT cũng phù hợp cho nhiều nhu cầu sử dụng mã nguồn và model weights theo điều kiện của giấy phép.

Cách bắt đầu khá gọn: cài `openai-whisper`, cài `ffmpeg`, chạy `whisper --help` rồi thử với một file. Người mới có thể dùng lệnh dòng lệnh trước; dev có thể chuyển sang `whisper.load_model()` và `model.transcribe()` khi cần tích hợp.

Giới hạn chính là tài nguyên phần cứng và sự khác nhau về chất lượng giữa các ngôn ngữ, mô hình và file âm thanh. Mô hình lớn cần nhiều VRAM hơn. `turbo` nhanh nhưng không dùng cho dịch. Kết quả cũng không nên được xem là bản chép lời hoàn hảo nếu nội dung có tên riêng, tiếng ồn, giọng địa phương hoặc yêu cầu pháp lý cao.

Bạn nên chọn Whisper khi muốn tự chạy quy trình nhận dạng giọng nói bằng Python hoặc CLI và chấp nhận tự quản lý môi trường, mô hình, file âm thanh và việc kiểm tra kết quả. Nếu cần một dịch vụ đã có giao diện, lưu trữ, quản lý người dùng hoặc quy trình hậu kiểm hoàn chỉnh, README của repo này chưa cung cấp các thành phần đó; bạn sẽ cần xây thêm hoặc xem xét công cụ khác.

## Câu hỏi thường gặp

### Whisper có miễn phí không?

Repo phát hành mã nguồn và model weights theo giấy phép MIT. README không nêu thêm chi phí dịch vụ hay chi phí vận hành, nên chi phí thực tế phụ thuộc vào máy và môi trường bạn sử dụng.

### Whisper có chạy trên Windows không?

README có hướng dẫn cài `ffmpeg` trên Windows bằng Chocolatey hoặc Scoop. Mã nguồn được kỳ vọng tương thích với Python 3.8 đến 3.11, nhưng README không mô tả chi tiết mọi bước cấu hình Windows.

### Có cần GPU không?

README không ghi GPU là bắt buộc. Tuy vậy, tài liệu nêu mức VRAM gần đúng cho từng mô hình và tốc độ tham khảo được đo trên GPU A100, nên phần cứng sẽ ảnh hưởng rõ đến tốc độ và mô hình có thể chạy.

### Mô hình nào phù hợp để chép lời tiếng Anh?

Thiết lập mặc định dùng mô hình `turbo` và được README mô tả là hoạt động tốt cho chép lời tiếng Anh. Các mô hình `.en` cũng thường tốt hơn cho ứng dụng chỉ dùng tiếng Anh, nhất là `tiny.en` và `base.en`.

### Whisper có dịch tiếng Nhật sang tiếng Anh được không?

Có. Bạn dùng một mô hình đa ngôn ngữ như `medium` hoặc `large`, chỉ định `--language Japanese` và thêm `--task translate`. Không nên dùng `turbo` cho dịch vì mô hình này trả về ngôn ngữ gốc.

### Có cần cài ffmpeg không?

Có. README nói Whisper yêu cầu công cụ dòng lệnh `ffmpeg` và cung cấp lệnh cài cho Ubuntu hoặc Debian, Arch Linux, macOS, Windows dùng Chocolatey và Windows dùng Scoop.

### Dữ liệu âm thanh có được gửi lên máy chủ không?

README chỉ mô tả cách chạy Whisper bằng dòng lệnh và Python, không nêu việc dữ liệu được gửi lên máy chủ hay chính sách lưu trữ. Vì vậy chưa thể khẳng định thêm về cách dữ liệu được xử lý ngoài môi trường bạn chạy.
