faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

7 K9 _# e7 ?6 J  n
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。
" j# E6 a, t; j$ v( }( F0 K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。
: _7 v( C5 v) e% @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。
----------------------------------------
, {" O, q, ^) \1 K2 khttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
6 e5 s2 y; B2 ~0 i2, Python 3.10.11
$ F6 X6 u: e5 ^3 N3, CUDA 12.1
% p1 V1 j/ U: O) I4, 在python 3 中安装
8 ~5 `' g) K0 r( apip 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。
( U3 h8 E' t* E% H5，pip install -U openai-whisper
- B: z- `1 }5 w  K这是向whisper 致敬，可以不装
" x8 H% ?9 A. X: g# [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：

----------------------------------------
0 X) F% G# z) K1 _! _% X2 D; T
( u  Z& Q& j7 S" V' ffrom faster_whisper import WhisperModel
  k7 V2 P1 t6 i0 G
( _0 J( R" @' v4 Fmodel_size = "small"
* ^0 P- C3 {% u- |* B
( R& X& o  b" dmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

. e3 J1 m' J0 }' S) p" _segments, info = model.transcribe(
' s% @! v$ o% m$ p" y/ w    sourceFileName,
* P- D) t/ W/ u    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
9 ?9 E; S$ @6 v& H: d    initial_prompt = "Hello, welcome to my lecture.")

. b1 r1 e8 m% b: G6 Efor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
" c; j2 E2 m; [
9 [  I$ a( l  e: l5 R9 p        for word in segment.words:
; ?: k. j% Y! \               
% m) _0 q- Y7 ^' E0 C+ Q----------------------------------------

代码说明：
1，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。
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。
( W2 s. E& E: O+ e1 P: e3，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。
$ `% A% @% P, Y  ]7 X! T2 [4，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：
/ s: c8 f# _9 `- ~# A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
+ y/ v9 p) N# h* ^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。
其他参数可参考源文件：
3 r4 w6 x) }1 D  Q/ b- P- [& {$ mhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
9 C" S. O# ^* o6 N( F- Y从源文件你可以看到是支持中文的句号断句的。
2 v& h: |# q2 A0 k  g
+ m: n5 o2 k1 u8 K6，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。
8，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。
/ W  r) g, U5 _, ]& U) U0 R" L5 f

0 ~0 N, D- N7 [" B! V( \

nanimarcus

多谢各位榜爷打赏。