faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

' T# n4 z/ Q6 V! O9 B+ X) x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。
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。
----------------------------------------
* x, g: z$ w5 @, P5 o2 q* W3 }: m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。
' h/ m2 O  c6 M* }: Y2 ?; l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) s) B! @" K2 q8 C. qhttps://github.com/guillaumekln/faster-whisper
安装如下：
& B3 {4 L5 h8 K2 f0 [4 p& g1, Windows 10
; e% ^0 ]: v' ~' j4 ^2, Python 3.10.11
, q, a: |1 W) J% ]5 `3, CUDA 12.1
4, 在python 3 中安装
2 }3 x3 F: L' l5 Gpip 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，pip install -U openai-whisper
这是向whisper 致敬，可以不装
; }, v2 C0 f4 W5 r: f6，pip install faster-whisper
----------------------------------------
, R/ G( a: z/ \8 Vwhisper 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：

& P3 N% P! l; z: n7 v, D' ?* j, _----------------------------------------

from faster_whisper import WhisperModel
5 c0 s9 ^% T  k6 h
model_size = "small"
3 N- @% s3 ]" i
model = WhisperModel(model_size, device="cuda", compute_type="int8")
4 B9 S: G+ H) y9 W
4 h/ m9 j& N3 f# v' q: Rsegments, info = model.transcribe(
6 F( f; v6 j! M    sourceFileName,
    beam_size=5,
+ v4 B/ c5 `. U* U9 i! p    language="en",
! H: H3 r. ^# B+ `5 H    task="transcribe",
4 Y& q: ~6 b  W% k    word_timestamps=True,
+ P3 d5 S2 e: P, o" S0 ~    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

% D! U  u) F8 l7 a$ ~+ M% P        for word in segment.words:
               
----------------------------------------
- g; ?# q8 v/ [9 ~$ V6 e5 n* ~6 v
4 |0 j. j+ P% c1 E" j  |" o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。
3，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。
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。
- W7 b$ z# z1 w" q5，model.transcribe 中参数说明：
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% K+ o6 o) k其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
$ ^- z+ `9 s; e! p% s+ n    initial_prompt = "Hello, welcome to my lecture.")
( y, q7 ~: Z  t4 `" l3 J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：
https://github.com/guillaumekln/ ... isper/transcribe.py
5 S" ^( C  T6 _: q* \152 def transcribe(
0 V6 j  T7 k) [$ @3 u从源文件你可以看到是支持中文的句号断句的。

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。
: ~* h9 v3 q& t9 ?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。
. t2 I6 c* ]! v# I

- T! d( E  V: x, z4 O

nanimarcus

多谢各位榜爷打赏。