faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

) p  g) U. E% e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。
  D7 ~8 F) j" ^- `* x----------------------------------------
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。
1 Q3 X6 Y, W' d: ^( Q5 ^0 Q) K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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
/ L' a  f0 e- I4 a; O/ P) S4, 在python 3 中安装
3 |7 m6 C, C. E# D- e! tpip 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。
0 E4 y5 f. P" {5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
+ x+ n7 p7 x) ~whisper 我用的命令行，faster-whisper 我用的是python。
* q* |6 |9 K2 X$ B( U0 z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：
5 \4 V# I% s2 U1 x. C
----------------------------------------
/ Y1 m3 i4 x' F+ _7 K# ~
1 w, I3 i, L1 }& E  f# l# Nfrom faster_whisper import WhisperModel
0 q  z; r, A* q) _- b( v( t% _8 ?' K) ~
/ Y5 m7 M+ c/ V4 Q) jmodel_size = "small"
2 `: t$ b% [9 F% W: o
model = WhisperModel(model_size, device="cuda", compute_type="int8")

- T9 r5 o4 f. Q5 A$ Bsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
! |% u/ s6 a: O    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

$ x6 V" X6 a) Ufor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
: Q2 I3 j& B( W8 @' \
        for word in segment.words:
6 K' I2 M" O8 h8 d7 B               
----------------------------------------
5 E1 G8 m. e& k) u) ^4 d5 q: [+ w0 @
6 J* ~' O. r4 e* @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。
6 p2 k" K! q1 C4 ~2 @2，segment 本身是很粗糙的，做字幕勉强能用。
( v2 f* d" G0 k0 t% k9 W# M3，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。
* J  n% q! _/ L5，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
其中
- a: w1 n6 X; j$ o/ X5 c- K. o    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。
! r4 K0 ]2 g. ?! d, T$ _$ ^4 a其他参数可参考源文件：
- H: u2 c3 G  h( khttps://github.com/guillaumekln/ ... isper/transcribe.py
7 d' s9 a9 o2 q152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

: \; g9 Y0 i6 a' C) W& }' ~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。
& h5 Z$ Y' M) \9 o8 m" X# l8，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。
; H# k( m) J2 o& w6 u3 L' R


; m8 ^) O2 |  [3 F8 x: F+ K

nanimarcus

多谢各位榜爷打赏。