faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

% G+ t- f8 z2 H
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。
----------------------------------------
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。
* f& N# b- Q5 E4 m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
+ X- u$ y; d- m. E& p5 n! E" k安装如下：
1, Windows 10
2, Python 3.10.11
- F8 E4 }/ s0 e6 w9 b3 M3, CUDA 12.1
4, 在python 3 中安装
/ S4 ~  H. e9 N3 jpip 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
$ _& _9 q* F8 t1 G这是向whisper 致敬，可以不装
2 Q. a+ t/ G. @+ h* T4 {8 M6，pip install faster-whisper
1 G7 G8 ~5 h; `) [----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
/ \/ V2 n0 u% [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：
8 S3 I3 r; f: q5 q4 d' q* A
----------------------------------------
# {3 z2 R$ z% V/ e' u7 j& i0 n7 ~( \
from faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
( T. B+ J( S! e7 h    sourceFileName,
, g: J7 k) O1 A7 p    beam_size=5,
+ w6 k9 ?! o1 C2 _9 E2 v    language="en",
. S1 n% z- g) ]7 _    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
( ]6 N; }; }9 k0 y    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

) {& `9 T8 C& m        for word in segment.words:
               
----------------------------------------

代码说明：
7 g: T6 p, r1 K  X0 r1，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。
, D$ C6 N" R8 @2 K1 P0 @+ Y2，segment 本身是很粗糙的，做字幕勉强能用。
6 e( r7 h7 E9 [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
5 i2 o4 _' C* S2 n8 d3 W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：
9 O0 Z) Q, d8 b6 t$ d4 s5 q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
( t! A( r; s: o: B" F8 K5 Z其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
% k1 j) U8 g( F1 d/ W9 L& k    initial_prompt = "Hello, welcome to my lecture.")
( M! v' T6 e. j; K1 T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 V6 w- k$ N3 u7 n+ p; O152 def transcribe(
# ?/ y3 G2 ?. f/ z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。
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。

nanimarcus

多谢各位榜爷打赏。