faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

2 [# `5 x3 u. `) b( N- o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。
5 B0 [' j# L! l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。
9 Q, M8 r  r& |: K2 ^- d----------------------------------------
0 T: ?5 O# k- E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。
' B) V4 e+ m- K6 Q" r8 b% I# M----------------------------------------
https://github.com/guillaumekln/faster-whisper
; b4 C5 ^) B$ p1 H安装如下：
3 Y  _2 O2 m5 D9 |/ [0 u& N5 @* a1, Windows 10
! j- L0 q4 V5 S( b, y* [) i( \2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
5 N& _, o) G4 A! H! c/ A+ d1 S3 @) e8 D# apip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
5 x# y( C  Y; f# ~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
/ C8 B( y1 M* p* \6，pip install faster-whisper
----------------------------------------
: [+ i& ?3 Y1 j& C% d8 ?' b8 Twhisper 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：

1 j! H" s9 J' Q( e) Y8 c----------------------------------------
4 U% Q7 L: z0 H# f6 S- l6 B- E
from faster_whisper import WhisperModel
3 Q. t/ Y+ y5 L  i; k( r
$ f- g& Y+ m0 P& q6 i: ~7 ^model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
# Y4 O% O) U. a5 n$ n
segments, info = model.transcribe(
0 k6 U! }0 G; B0 T    sourceFileName,
    beam_size=5,
    language="en",
1 H% U, s5 i6 x3 n, t7 T! m9 W8 G    task="transcribe",
3 K0 l( o0 `. Z; S1 ^    word_timestamps=True,
  ~1 G( }. ~* E# ~. U    initial_prompt = "Hello, welcome to my lecture.")
$ q! O/ H( L) T1 `- Q' D9 b) f
for segment in segments:
8 \/ h, O9 C7 p. G: Q. ]    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
, j$ [$ y' H+ o- L! u2 D" m
        for word in segment.words:
               
----------------------------------------
' h( O( ]. ]: |) D$ D5 u( R2 K6 C4 x
5 E" E1 s4 X4 y6 I$ t2 Q9 z( \' m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。
$ z' K: |% v# p0 p& ^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。
  X6 y) R* f' \% m$ i; w, O3，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
2 j3 x/ p4 T2 q' t比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
( Z- R* }! @4 b! U2 p7 p. c5，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
4 ^6 x( C; K) A. a其中
% x1 Z1 Y, W$ N8 G1 e    word_timestamps=True,
& c6 X" ~2 g& d保证了你能拿到 word，否则是拿不到的
, q+ q1 n, s" J5 z    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。
) C4 C! f1 w7 ]) r6 {6 }% y. ~& d/ F0 R其他参数可参考源文件：
& Y1 V  ^7 f; M  N9 c, `https://github.com/guillaumekln/ ... isper/transcribe.py
! B& C5 g! I: Y# v7 E152 def transcribe(
& _4 N% X1 t+ f% l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。
: }  Y8 T( M+ z' b% B/ }1 l) c5 Q7，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+ V* O$ O/ v1 p- K: i

nanimarcus

多谢各位榜爷打赏。