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

> Whisper là mô hình nhận dạng giọng nói mã nguồn mở của OpenAI. Nó chuyển file âm thanh thành văn bản, nhận ra ngôn ngữ đang nói và dịch lời nói sang tiếng Anh. Cài đặt khá dễ: cài gói bằng pip, cài thêm ffmpeg, rồi chạy một dòng lệnh.

- Tác giả: Ông T (https://ongt.vn/gioi-thieu)
- Chủ đề: Repo & Skill
- Đăng: 2026-09-09 · Cập nhật: 2026-11-13
- URL: https://ongt.vn/bai-viet/whisper-nhan-dang-giong-noi-openai

Whisper là một mô hình nhận dạng giọng nói đa dụng do OpenAI công bố, dùng để chuyển file ghi âm thành chữ. Bạn đưa vào một file âm thanh, nó trả về nội dung được nói trong đó. Ngoài ra nó còn nhận ra ngôn ngữ đang nói và dịch lời nói sang tiếng Anh. Repo này hiện có khoảng 112.596 sao và 13.654 fork, và vẫn được cập nhật trong vài tháng gần đây.

Bạn nên xem repo này nếu hay phải nghe lại ghi âm họp, phỏng vấn, bài giảng, cuộc gọi chốt đơn, hoặc video ngắn rồi gõ lại thành chữ. Lập trình viên mới cũng dùng được: README có sẵn đoạn code Python ngắn để gắn việc chuyển giọng nói thành chữ vào chương trình của mình.

Điểm đáng giá nhất là bạn chạy được bằng một dòng lệnh. Mã nguồn và trọng số mô hình đều theo giấy phép MIT. Tư liệu của repo không nhắc tới API key hay tài khoản nào cần có. Phần dưới mình đi qua từng bước, kèm các chỗ người mới hay vấp.

```repo
- repo | openai/whisper
- kind | Mô hình
- desc | Whisper là mô hình của OpenAI chuyển file ghi âm thành văn bản, nhận ra ngôn ngữ và dịch lời nói sang tiếng Anh. Cài bằng pip, chạy bằng một dòng lệnh.
- stars | 113k
- lang | Python
- license | MIT
```

## Whisper làm được gì

Theo README, Whisper là mô hình đa nhiệm. Một mô hình duy nhất làm được nhiều việc, mà trước đây thường phải ghép từ nhiều công cụ riêng.

- **Nhận dạng giọng nói (chuyển thành chữ).** Đây là việc chính. Bạn có một file ghi âm, bạn nhận lại văn bản. Lợi ích thực tế: khỏi ngồi nghe đi nghe lại để gõ biên bản.
- **Nhận dạng đa ngôn ngữ.** Mô hình được huấn luyện trên tập âm thanh đa dạng. README cho biết bạn có thể chỉ định ngôn ngữ bằng tuỳ chọn `--language`. Danh sách ngôn ngữ nằm trong file `tokenizer.py` của repo.
- **Dịch lời nói sang tiếng Anh.** Bạn có file ghi âm tiếng Nhật, bạn muốn đọc nội dung bằng tiếng Anh. Thêm `--task translate` là được, với điều kiện dùng đúng loại mô hình (xem phần dưới).
- **Nhận ra ngôn ngữ đang nói.** Trong Python có hàm `detect_language()`. Hàm này hữu ích khi bạn nhận về một đống file mà không biết file nào nói tiếng gì.
- **Chọn mô hình theo máy của bạn.** Có sáu cỡ mô hình: tiny, base, small, medium, large, turbo. Cỡ nhỏ chạy nhanh và nhẹ, cỡ lớn chính xác hơn nhưng chậm và tốn bộ nhớ hơn. Bạn tự cân bằng giữa tốc độ và độ chính xác.
- **Dùng bằng dòng lệnh hoặc bằng Python.** Người không rành code dùng dòng lệnh. Lập trình viên gọi thư viện trong Python, thậm chí dùng các hàm cấp thấp như `decode()` để kiểm soát chi tiết hơn.

Một chi tiết nhỏ nhưng quan trọng: hàm `transcribe()` đọc cả file rồi xử lý bằng cửa sổ trượt dài 30 giây. Nghĩa là file dài vẫn xử lý được, chương trình tự chia nhỏ giúp bạn.

## Cần chuẩn bị gì

Mình chỉ liệt kê những gì README và repo nói.

- **Python.** Nhóm tác giả huấn luyện và thử bằng Python 3.9.9 và PyTorch 1.10.1. README nói mã nguồn được kỳ vọng tương thích với Python 3.8 đến 3.11 và các bản PyTorch gần đây. File `pyproject.toml` yêu cầu Python từ 3.8 trở lên.
- **ffmpeg.** Đây là công cụ dòng lệnh bắt buộc phải có trên máy. README hướng dẫn cài qua trình quản lý gói: apt (Ubuntu/Debian), pacman (Arch Linux), Homebrew (macOS), Chocolatey hoặc Scoop (Windows).
- **Rust (chỉ khi cần).** Whisper dùng thư viện tiktoken. Nếu tiktoken không có bản dựng sẵn cho máy bạn, quá trình cài có thể đòi Rust. Nếu pip báo lỗi, bạn mới cần cài Rust.
- **Bộ nhớ đồ hoạ (VRAM).** README ghi mức VRAM tham khảo cho từng cỡ mô hình: tiny và base khoảng 1 GB, small khoảng 2 GB, medium khoảng 5 GB, turbo khoảng 6 GB, large khoảng 10 GB. README không nói bắt buộc phải có GPU. Mình chưa có thông tin về tốc độ khi chạy chỉ bằng CPU.
- **Tài khoản và API key.** README không yêu cầu.

```note
Repo không nhắc đến chuyện dữ liệu gửi đi đâu. Nếu file ghi âm của bạn chứa thông tin khách hàng hoặc nội bộ, hãy tự đọc kỹ mã nguồn và giấy phép trước khi dùng cho việc quan trọng.
```

## Cài đặt từng bước

```steps
- Cài ffmpeg | Cài công cụ xử lý âm thanh bằng trình quản lý gói của hệ điều hành
- Cài Whisper | Chạy pip install -U openai-whisper
- Xử lý lỗi cài đặt (nếu có) | Cài Rust hoặc setuptools-rust khi pip báo lỗi
- Chạy thử một file | Gõ lệnh whisper kèm tên file âm thanh và tên mô hình
```

### Cài ffmpeg

Mở terminal. Trên Windows, bạn có thể mở PowerShell. Chọn đúng dòng lệnh cho hệ điều hành của bạn, không cần chạy hết các dòng. Dòng nào bắt đầu bằng dấu `#` chỉ là chú thích.

```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
```

Chỗ người mới hay vấp: trên Windows, lệnh `choco` và `scoop` chỉ chạy được khi bạn đã cài sẵn Chocolatey hoặc Scoop. Nếu máy báo không nhận ra lệnh `choco` hay `scoop`, nghĩa là bạn chưa cài công cụ đó. Hãy vào trang của công cụ (có trong README) để cài trước, hoặc chọn công cụ còn lại.

### Cài Whisper

Cài bản phát hành mới nhất bằng pip. Lệnh này cũng dùng để cập nhật về sau, nhờ cờ `-U`. Tên gói là `openai-whisper`.

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

Nếu bạn muốn lấy bản mới nhất ngay trên repo, README có lệnh sau. Người mới dùng lệnh ở trên là đủ.

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

Để cập nhật lên bản mới nhất của repo, README ghi lệnh này:

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

Nếu máy bạn có nhiều bản Python, hãy chắc rằng `pip` thuộc đúng bản Python 3.8–3.11 mà bạn định dùng. Đây là chỗ rất hay gây nhầm.

### Xử lý lỗi cài đặt khi cần

Nếu `pip install` báo lỗi, README cho biết có thể do tiktoken không có bản dựng sẵn cho nền tảng của bạn. Khi đó bạn cần cài môi trường Rust theo trang Getting started của Rust. Sau đó có thể phải chỉnh biến môi trường `PATH`. Ví dụ README đưa ra:

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

Nếu lỗi là `No module named 'setuptools_rust'`, hãy cài gói này:

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

Sau đó chạy lại lệnh `pip install` ở bước trước.

## Kiểm tra đã chạy được chưa

Cách kiểm tra đơn giản nhất là xem lệnh `whisper` có phản hồi hay không. Chạy:

```bash
whisper --help
```

Nếu cài thành công, terminal sẽ in ra danh sách các tuỳ chọn. Nếu báo không tìm thấy lệnh `whisper`, gói chưa cài xong hoặc terminal chưa nhận đường dẫn. Hãy mở terminal mới và thử lại.

Bước thử thật là chạy với một file ghi âm ngắn của bạn. Đổi `audio.mp3` thành tên file có thật, và nhớ mở terminal đúng thư mục chứa file:

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

Kết quả mong đợi là nội dung được nói trong file hiện ra thành chữ. README không mô tả chi tiết cách trình bày đầu ra hay các file được lưu. Muốn biết rõ, hãy xem danh sách tuỳ chọn trong `whisper --help`.

Bạn cũng có thể thử bằng Python. Đoạn code này lấy từ README:

```python
import whisper

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

Nếu in ra được đoạn chữ, bạn đã sẵn sàng.

## Dùng vào việc thật

Các tình huống dưới đây bám đúng những gì README mô tả. Bạn tự đánh giá chất lượng kết quả với giọng nói và âm thanh của mình.

### Nhân viên văn phòng gỡ băng cuộc họp

Bạn vừa ghi âm một buổi họp dài và cần biên bản. Thay vì nghe lại từng đoạn, hãy chạy Whisper trên file ghi âm. README cho phép đưa nhiều file vào cùng một lệnh, nên bạn xử lý được cả loạt file một lúc:

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

Bạn thay tên file bằng các file ghi âm của mình. Kết quả là bản chữ của từng file, bạn chỉnh lại tên riêng, số liệu rồi dùng làm biên bản. Hãy luôn đọc soát lại bản chữ, vì mô hình có thể nghe nhầm.

Nếu cuộc họp nói tiếng Việt, hãy chỉ rõ ngôn ngữ bằng `--language`. README lấy ví dụ với tiếng Nhật. Với tiếng Việt, bạn kiểm tra tên ngôn ngữ trong file `tokenizer.py` của repo rồi điền vào.

### Chủ shop xem nội dung video nước ngoài

Bạn nhập hàng và có đoạn video giới thiệu sản phẩm bằng tiếng Nhật. Bạn muốn biết họ nói gì. README có đúng ví dụ này:

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

Lệnh trên nghe tiếng Nhật và cho ra bản dịch tiếng Anh. Lưu ý quan trọng: mô hình `turbo` không được huấn luyện để dịch. Nếu bạn đặt `--task translate` với `turbo`, nó vẫn trả về ngôn ngữ gốc. Muốn dịch, hãy dùng mô hình đa ngôn ngữ như `medium` hoặc `large`.

> Một dòng lệnh, một file ghi âm: bạn đỡ phải ngồi nghe lại từng câu.
>
> — Ông T

### Lập trình viên mới thêm chức năng chuyển giọng nói vào ứng dụng

Bạn đang viết một công cụ nội bộ và muốn nó đọc được file ghi âm. Dùng thư viện ngay trong Python, đúng như README:

```python
import whisper

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

Bạn tải mô hình một lần bằng `load_model`, sau đó gọi `transcribe` cho từng file. Chuỗi chữ nằm trong `result["text"]`, bạn lưu vào file, cơ sở dữ liệu hoặc đưa cho bước xử lý tiếp theo.

### Nhận ra ngôn ngữ của file lạ

Bạn nhận một thư mục ghi âm từ nhiều nguồn và chưa rõ file nào nói tiếng gì. README có sẵn đoạn code cấp thấp để nhận ngôn ngữ trong 30 giây đầu rồi giải mã:

```python
import whisper

model = whisper.load_model("turbo")

# load audio and pad/trim it to fit 30 seconds
audio = whisper.load_audio("audio.mp3")
audio = whisper.pad_or_trim(audio)

# make log-Mel spectrogram and move to the same device as the model
mel = whisper.log_mel_spectrogram(audio, n_mels=model.dims.n_mels).to(model.device)

# detect the spoken language
_, probs = model.detect_language(mel)
print(f"Detected language: {max(probs, key=probs.get)}")

# decode the audio
options = whisper.DecodingOptions()
result = whisper.decode(model, mel, options)

# print the recognized text
print(result.text)
```

Đoạn code này in ra ngôn ngữ phát hiện được và chữ nhận dạng được. Nó chỉ xử lý một đoạn 30 giây, nên hợp để kiểm tra nhanh. Với file dài, hãy dùng `transcribe()` như ở tình huống trước.

## Lỗi hay gặp và cách xử lý

### pip báo lỗi khi cài, nhắc tới tiktoken hoặc Rust

Đây là trường hợp README đã dự báo. Tiktoken có thể không có bản dựng sẵn cho máy bạn. Hãy cài Rust theo hướng dẫn của trang Rust, thêm thư mục cargo vào `PATH` nếu cần, rồi chạy lại `pip install`.

### Lỗi `No module named 'setuptools_rust'`

Chạy `pip install setuptools-rust` rồi cài lại Whisper. Đây cũng là cách README đưa ra.

### Chạy lệnh nhưng báo thiếu ffmpeg

Whisper cần ffmpeg có sẵn trên hệ thống. Nếu bạn cài xong mà vẫn báo lỗi, hãy đóng terminal, mở cái mới để máy nhận lại đường dẫn. Sau đó gõ `ffmpeg -version` để xem máy đã nhận lệnh chưa. Nếu chưa, cài lại ffmpeg bằng trình quản lý gói bạn chọn.

### Muốn dịch sang tiếng Anh nhưng kết quả vẫn là ngôn ngữ gốc

Có khả năng bạn đang dùng mô hình `turbo`. README nói rõ `turbo` không được huấn luyện để dịch, dù bạn có đặt `--task translate`. Hãy đổi sang `--model medium` hoặc `large`.

### Máy chậm, hoặc báo thiếu bộ nhớ

Các cỡ mô hình lớn cần nhiều VRAM hơn: large khoảng 10 GB, turbo khoảng 6 GB. Nếu máy yếu, hãy thử cỡ nhỏ hơn như `small`, `base` hoặc `tiny`. Cỡ nhỏ chạy nhanh và nhẹ hơn nhưng độ chính xác sẽ khác. README cũng lưu ý tốc độ thực tế thay đổi nhiều theo ngôn ngữ, tốc độ nói và phần cứng.

## Có nên dùng không

**Điểm mạnh.** Whisper miễn phí theo giấy phép MIT, cả mã nguồn lẫn trọng số mô hình. Bạn có sáu cỡ mô hình để chọn theo máy của mình. Cài đơn giản, dùng được cả bằng dòng lệnh lẫn Python. Repo có số sao rất lớn nên tìm tài liệu và ví dụ từ cộng đồng khá dễ. README còn mời người dùng chia sẻ các ví dụ, web demo và bản port sang nền tảng khác ở mục Discussions.

**Giới hạn.** Hiệu quả của Whisper thay đổi khá nhiều tuỳ ngôn ngữ. README có biểu đồ so sánh theo từng ngôn ngữ, và các số đo chi tiết nằm trong bài báo khoa học. Bạn nên tự thử với giọng nói thật của mình trước khi tin vào kết quả. Mô hình `turbo` không dùng để dịch. Bạn phải tự cài ffmpeg, và đôi khi cả Rust. README không đề cập tới giao diện đồ hoạ, nên người không quen terminal sẽ thấy hơi xa lạ lúc đầu.

**Khi nên chọn cách khác.** Nếu bạn không muốn đụng tới dòng lệnh và chỉ cần một ứng dụng bấm chuột, hãy tìm các công cụ bên thứ ba dựng sẵn giao diện. README gợi ý có nhiều dự án như vậy ở mục Discussions. Nếu cần chạy cho khối lượng cực lớn hoặc có yêu cầu bảo mật nghiêm ngặt, hãy tự đánh giá kỹ vì tư liệu của repo chưa nói tới các vấn đề này.

Tóm lại: nếu bạn có nhiều file ghi âm cần ra chữ, Whisper là một lựa chọn đáng thử. Cứ bắt đầu từ một file ngắn, so kết quả với tai nghe của bạn rồi mới chạy hàng loạt.

## Câu hỏi thường gặp

### Whisper có miễn phí không?

Mã nguồn và trọng số mô hình của Whisper được phát hành theo giấy phép MIT. README không nhắc tới phí sử dụng hay API key. Bạn vẫn phải tự lo máy chạy, còn chi phí điện toán khác thì tư liệu không nói.

### Whisper có cần card đồ hoạ (GPU) không?

README ghi mức VRAM tham khảo cho từng cỡ mô hình, từ khoảng 1 GB cho tiny và base đến khoảng 10 GB cho large. README không nói bắt buộc phải có GPU. Chưa có thông tin về tốc độ khi chạy chỉ bằng CPU.

### Whisper chạy được trên Windows không?

README có hướng dẫn cài ffmpeg trên Windows bằng Chocolatey hoặc Scoop, nên Windows nằm trong phạm vi được nhắc tới. Phần cài Whisper là lệnh pip dùng chung cho các hệ điều hành. Bạn cần Python từ 3.8 trở lên theo file pyproject.toml.

### Whisper dịch được sang tiếng Việt không?

README chỉ nói tới việc dịch lời nói sang tiếng Anh, bằng tuỳ chọn --task translate với các mô hình đa ngôn ngữ như medium hoặc large. Mô hình turbo không dùng để dịch. README không nói tới dịch sang tiếng Việt.

### Dữ liệu ghi âm của tôi có an toàn không?

README không nói rõ dữ liệu được xử lý ở đâu hay có gửi đi đâu không. Nếu file ghi âm chứa thông tin nhạy cảm, bạn nên tự đọc mã nguồn và giấy phép, đồng thời thử với file không quan trọng trước.

### Nên chọn cỡ mô hình nào?

Có sáu cỡ: tiny, base, small, medium, large và turbo. Cỡ nhỏ chạy nhanh và nhẹ hơn, cỡ lớn cần nhiều bộ nhớ hơn. README cho biết turbo là bản tối ưu của large-v3, nhanh hơn với độ chính xác giảm không đáng kể. Bạn nên thử vài cỡ trên chính file của mình.

### Chạy bằng Python và bằng dòng lệnh khác nhau thế nào?

Dòng lệnh whisper phù hợp khi bạn chỉ muốn đưa file vào và lấy chữ ra. Dùng Python bằng whisper.load_model và model.transcribe thì dễ gắn vào chương trình của bạn. README còn cung cấp các hàm cấp thấp như detect_language và decode để kiểm soát chi tiết hơn.
