faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

借着 chatGPT 这股热潮研究了一下 Whisper，学名叫 automatic speech recognition (ASR) ，就是转换声音到文字的。
. [# o  [; p" C/ P效果我是很满意的，唯一不满的是速度，在六年前的主流显卡上基本上是一倍速，基本上只用在自己特别喜欢的媒体文件上了。
----------------------------------------
显然不满意的不是我一个，活雷锋很快就出来了，名字很谦虚也很霸气 faster-whisper。
在六年前主力显卡3G内存上，model small，能跑到12倍速，这个是相当满意了。
( n( `6 E  {$ f+ f+ o, ]----------------------------------------
https://github.com/guillaumekln/faster-whisper
6 U# D  k; i" ~! a安装如下：
# L6 N* D& f) ~. V& q' N1, Windows 10
2, Python 3.10.11
" h; a, f8 ^/ h* U3, CUDA 12.1
) S. t) |* e' t/ W# s, m4, 在python 3 中安装
8 ^! K# f. ~: G# V4 _pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
这一步最后一个安装文件 cu117-cp310-cp310-win_amd64.whl 大小2343.6 MB，如果没显示，你得检查一下你的环境。
5 l1 m: |+ b! ]9 S, m0 i5 M5，pip install -U openai-whisper
% |' j6 c' g1 W; |" L- F+ o2 V' U这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
下面给出了部分参考代码，根据主页上的参考代码我做了修改，但这个不是能运行的代码：

----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"
$ `! {( _% z; J3 `
% P) h( O% V3 K4 cmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

$ E/ r5 b2 O2 xsegments, info = model.transcribe(
    sourceFileName,
( o( M5 f4 |2 l: X2 T) e    beam_size=5,
6 F* W5 k7 \3 `6 D    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
' k( B6 y+ J2 }( {- \" @
, I6 ~4 U9 T6 }6 D& ]& ufor segment in segments:
1 v; Y, O5 Z, A; M    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
8 I. J  u7 q1 S' D0 _& g8 a- F1 F* k----------------------------------------
, y* N) W; Q9 r' s9 P. ]! P
6 B& y1 Q2 [& {1 W4 s( {代码说明：
4 W8 k- D0 j2 h* y1，model.transcribe 只是建立了模型，并没有运行，运行 是从 for segment in segments: 这一句开始的。
  _% T8 }+ {) X- e9 s0 r. q3 g& W* i但是这一步很重要（废话），我的程序有时候会无征兆退出就是在这一步，没有任何错误信息，倒是Windows 侦测到，但也没给出有意义的信息。
2，segment 本身是很粗糙的，做字幕勉强能用。
3 ~/ Z+ K) o* y% ^$ s3，word 才是真正的精确控制的，本身带时间轴，所以要做比较好的字幕，必须用到word。
' {. S$ @& a3 V4，word 里面是包含标点符号的，也就是说标点符号不是独立的，是附着在前一个word中
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
5，model.transcribe 中参数说明：
7 t9 q% h2 @" C你要是对 whisper 的参数有所了解的话，基本上这些参数就是对应whisper 的参数
其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
保证能尽可能准确的断句 punctuation，但是不是决定性的。
$ \3 B  w+ v. G1 A  [( l7 D! T% Q其他参数可参考源文件：
& m/ u* ]& V/ x5 {5 phttps://github.com/guillaumekln/ ... isper/transcribe.py
; B& S1 R+ e- E2 h" b* x: p/ K+ O152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
' l! V$ u8 E4 o4 k# ~" X; w9 N1 C/ y
6，如果要尽可能准确的 punctuation，根本办法是用比较大的模型 medium，或者更大。
7，我自己观察一个小时之内可以保证断句准确，再长就很可能不行，所以我的办法是切割文件到一个小时，识别后再聚合，效果不错。
! ~* @/ l5 [" m8 K* N! O8，faster-whisper 会上传一些信息，检测到不停的使用网络，曾经有一次代码出错就是访问网络，你要是有洁癖就把网络暂时给关了。


9 u7 P+ k3 l. U' n
* p& z  ?* W  A2 [  g# ^* }

nanimarcus

多谢各位榜爷打赏。