faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

0 \& S! l/ f# X3 ?7 M5 b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。
) z  e' b! V7 [( V( l: F' x( E5 [; T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。
) j" l, _% k6 `, `; b----------------------------------------
4 M  r. S0 h/ j: \& J0 Y8 B4 bhttps://github.com/guillaumekln/faster-whisper
% b( F) [4 L2 z* x( I' U7 a2 l+ `安装如下：
1, Windows 10
9 W1 f3 V! R) F2, Python 3.10.11
* }/ a. F1 r0 W. W3, CUDA 12.1
4, 在python 3 中安装
pip 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。
$ _" F( O1 e6 M8 ^5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
; ?# O7 q! y9 e- l2 H* \6，pip install faster-whisper
----------------------------------------
: f9 o9 B- `! s, l( N/ B0 Pwhisper 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：
) s/ @) A7 ]1 T) T7 U  h: ~
----------------------------------------

from faster_whisper import WhisperModel
" N3 `$ Y; ]  j6 y+ k
4 u6 \" c/ D- umodel_size = "small"

7 q, a5 ?+ M8 b# \% n; @# g5 N% J$ dmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

- P6 U( Q3 P$ X3 isegments, info = model.transcribe(
    sourceFileName,
( {2 w; Z$ c% B4 |7 W, s  @& d    beam_size=5,
) p) ?* s5 ?! v3 z$ z    language="en",
1 p/ p* d' ]2 `) Y    task="transcribe",
    word_timestamps=True,
  H* G( o9 H5 g6 N# R4 v    initial_prompt = "Hello, welcome to my lecture.")

; E3 U) c$ e; q# M+ u- s0 _+ d- M! hfor segment in segments:
! r6 h+ k. B! ^* V    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
& D2 g; T! `+ Y2 ?/ _4 V
代码说明：
7 \' \3 N" S2 |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。
8 M. n# W% {& C# b2，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
- l7 y' y0 B7 v# b6 k# E比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
, S- J4 i! f- c' l5，model.transcribe 中参数说明：
: Z+ K- S2 @* W$ B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
1 ]' X7 r* _. E$ y! `) Y其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
" p- s7 @: L) \) Q1 {    initial_prompt = "Hello, welcome to my lecture.")
" k$ L+ y. W0 I. p  p5 L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(
从源文件你可以看到是支持中文的句号断句的。
1 `) w8 x4 F  n' ], t
' {* f1 H5 G+ `% m6，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。

, K# D7 ]; U$ A( G: M  t: A/ h
+ q2 S2 U5 _, Q" I7 v0 H3 @

nanimarcus

多谢各位榜爷打赏。