faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

- g1 N; t) b7 A
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。
8 q" g4 O" W, C0 U----------------------------------------
) P: B+ A1 r+ S0 T& ?5 a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。
  l7 F* d) p% H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。
----------------------------------------
8 I  q; y& X1 e/ d5 M9 U  Zhttps://github.com/guillaumekln/faster-whisper
安装如下：
  H- W/ H: Z; G! P6 w9 n1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
7 R  W8 h& E3 E1 a4 Wpip 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。
1 h, _- K9 j6 o+ {$ o! o5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
. @5 c5 j1 V$ r1 ^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 n5 Q) K( b* m* ~8 v
----------------------------------------

- g2 W# H: h' x) R* ]$ S) hfrom faster_whisper import WhisperModel
" h$ `2 U( z. [& C% N* {; U
model_size = "small"
" H7 }  W& W( _) |4 J- M9 E' |
model = WhisperModel(model_size, device="cuda", compute_type="int8")
7 z$ |/ V" ]- v* @5 e
0 U( a) V. q' ]% i8 Jsegments, info = model.transcribe(
% W) b, @9 s0 l" @    sourceFileName,
( f, R, [$ \. N5 H" c" z1 M9 O  S    beam_size=5,
    language="en",
/ y' r" K% S( O% f* Q    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
8 i0 e' M* [6 T, b" g! x5 O    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
% s- @: k$ h$ D& k
        for word in segment.words:
. ]; ]* U" f9 m& i2 H               
: R; b) d- X+ Q  c  q----------------------------------------

; f, ^3 D. y; Y2 Z代码说明：
- }' [" R8 X1 Z8 r6 E; t1，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。
  ~9 Y% p9 S2 y2 G2 h" I2 Y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。
5 @1 b4 q! T& U5 ^& R/ w9 S5，model.transcribe 中参数说明：
' K/ R1 L4 t, r7 J& 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
其中
    word_timestamps=True,
) K! z# r, j+ k. U! D/ P+ k保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
% |& ?' Q( |+ m; w! A6 H6 [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
152 def transcribe(
. d0 o2 V0 n0 ^6 z( ~& I( [& F从源文件你可以看到是支持中文的句号断句的。
, L0 A0 e! X  B/ F6 S
  L$ S' i; E3 h6，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。
. B: Y# L# M0 }6 I. Q  x) C, Y, F7，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。
' S' Q) n* a9 d$ _! x- h; C8，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。
7 |$ T3 d( @$ R  B, Q1 F& K' @
1 Z  f; V* t& z1 r: G9 x& p8 A, R8 {
2 N% s$ Q" I- ?

nanimarcus

多谢各位榜爷打赏。