faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
----------------------------------------
5 }4 `! T8 ?  H/ v8 I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。
----------------------------------------
& V) W  ?9 U! Q7 \  `https://github.com/guillaumekln/faster-whisper
" h) _  W( W; i  i- x0 W3 G安装如下：
1, Windows 10
$ E) M& W. V+ ?5 H4 v1 {6 D8 x4 k2, Python 3.10.11
5 E( y$ T7 V% R& }" @3, CUDA 12.1
# ?; m( V. R8 L1 O7 q+ x) c4, 在python 3 中安装
+ |6 ~; J8 r. j+ b5 v5 O9 R) Ppip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
+ l* E  P" l, O1 g+ w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。
! u0 f1 a! {3 k" u2 K5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
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：

6 a) \* h' f7 a- l4 v. z  g----------------------------------------

# E* P) W- f; e5 yfrom faster_whisper import WhisperModel

" a; D0 O; v9 U. r9 A: bmodel_size = "small"
& m+ O! A, S  o
model = WhisperModel(model_size, device="cuda", compute_type="int8")
2 W, j. U2 S% M' z5 }0 w
segments, info = model.transcribe(
    sourceFileName,
; h% U+ B9 C& g; I    beam_size=5,
0 q, ]3 \3 n2 Z0 L4 K8 M    language="en",
' A, f. O3 f! [1 x7 r0 N    task="transcribe",
    word_timestamps=True,
3 c( ]; c( w$ o    initial_prompt = "Hello, welcome to my lecture.")
6 q  ~8 e) Q5 v! t2 i8 d
for segment in segments:
7 g9 }$ P5 c) ~( L  W    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
6 R" s4 J. _4 V               
----------------------------------------

; W0 Q! X4 n2 g- 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。
8 F, m4 G. z& ~" d' E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。
" H, w. T' L1 L" G) x3，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。
: t3 k) z3 _3 S; ]) }5 R( A2 p4，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，model.transcribe 中参数说明：
/ \2 h5 c) _' E2 Z. a: J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
- c8 y& x& N) h其中
    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。
其他参数可参考源文件：
- {  s7 K$ R( Jhttps://github.com/guillaumekln/ ... isper/transcribe.py
1 o! @% S, p5 I; {0 ^152 def transcribe(
% P* ]1 ^& @0 n# X9 {: J从源文件你可以看到是支持中文的句号断句的。
- Y( g) `- A# |! j, S, 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。
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。