faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

: f5 I- H# y* T7 C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。
: {; H7 b" o5 Y" ~0 S6 q/ L- 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。
9 z9 ~' I  e' T& _$ x- H! w2 R! 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。
----------------------------------------
0 h% ^- O3 Q1 {https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
) T: u# o$ S# V& M7 l3, CUDA 12.1
8 w% n3 i1 w8 X) o* r4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
5 _  P9 R% G( c) J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。
% d3 E' T# U! F, }5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
3 r) l. ]/ Y' J6，pip install faster-whisper
6 r/ q8 Z" G% ]8 e----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
% j% D. Y3 t4 q& i: b" `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：

' r. C( E1 P0 M0 {: Y----------------------------------------
: T, h3 H/ Y; B% k7 q
from faster_whisper import WhisperModel
6 Y8 k4 z1 k3 q8 p) ?" [1 Q
8 w2 V8 M3 z+ h3 Kmodel_size = "small"
6 J" ]5 x4 Z' F, O6 D
model = WhisperModel(model_size, device="cuda", compute_type="int8")
- i: P* l. ^( s6 d4 x$ q  I8 F& x" a, t
0 c8 \6 t( i0 A/ s6 b" p6 gsegments, info = model.transcribe(
6 X% A  M1 o9 ]! y" O    sourceFileName,
8 L7 x  S0 H- T6 \% u2 b7 j2 o9 a    beam_size=5,
    language="en",
0 c3 C. X8 p* Y: V& J( z    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
: v9 y2 |$ j+ Z0 b6 a$ {    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
9 ^9 f3 E" P. Z8 z; W
$ F) I  g+ H% }; q        for word in segment.words:
               
2 H8 `0 @) I$ s$ v) ~6 e" z----------------------------------------
2 l; ?0 S, p* y
代码说明：
/ _+ ]% g1 h% A2 b1，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。
2，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
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：
" f. f) K4 t9 i! a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
5 b, n3 H5 B5 e" A其中
& j- Z- T2 W# n0 D+ B7 b    word_timestamps=True,
+ D, M! ~0 I+ M保证了你能拿到 word，否则是拿不到的
$ u$ b: \, Y9 o4 ]) @( N    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：
* f8 `5 M3 X4 K$ _3 p, f6 B% E8 Khttps://github.com/guillaumekln/ ... isper/transcribe.py
% a- ]) y2 U: f2 z1 P152 def transcribe(
2 h$ r" O* B. P8 p8 C: 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。
* ~7 x/ T' H/ G# i7，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。
$ P" W% @! j1 Q2 I) a5 m& w8，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。

8 w9 M" G$ b5 b$ |/ D: Z1 v

nanimarcus

多谢各位榜爷打赏。