faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

0 w- x7 B) [. M% E/ ^0 o- H
2 r2 G. @/ H  {  j, {( Z8 W+ |  {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。
+ ]2 ~" p5 O3 D0 \4 V1 h$ z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。
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。
----------------------------------------
* q& `8 p" o, ^4 lhttps://github.com/guillaumekln/faster-whisper
0 C: ^6 L/ u2 ^安装如下：
, X3 ^( C* ]; c+ |1, Windows 10
$ w* U- X3 y9 r1 K2, Python 3.10.11
3, CUDA 12.1
, n2 S. e1 ]) J% z" E/ C0 F" n- }4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
/ E1 N8 h/ @* U2 q+ {1 |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
这是向whisper 致敬，可以不装
  B" O: d& S* Q  [: D1 P$ }: \6，pip install faster-whisper
; h/ J- q$ [( W0 Q. V" L0 E0 {+ n----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
0 |( ~5 Q; n' E( T. @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：

----------------------------------------

from faster_whisper import WhisperModel
, H+ a0 `' i! C5 w5 ~6 F
" x* h+ K/ t8 x+ N5 \' omodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
% A8 u5 g* A1 I' k. T
segments, info = model.transcribe(
) I, j4 q$ t/ u2 @+ d) B8 T, ^* x    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
; {' p4 e* A. Q6 }1 L% o! _
3 `& q& f& R2 Y, l; E; kfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

4 o& x5 ^( M8 ~: B        for word in segment.words:
               
----------------------------------------
# m' L5 G& F4 h. q, M
7 m1 }( ]$ {& |8 k% z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。
) G) w* d% n7 W. s! E' W0 ]; |0 A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。
0 S  I* {& x: _8 K3，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。
2 c+ S: x1 g1 `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：
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
0 H" p3 F9 h7 d5 Z' m6 K其中
+ R, U5 ^6 @! w/ \9 H    word_timestamps=True,
# ]  n0 G! e+ \0 e$ s保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
  S) o% A- I: b保证能尽可能准确的断句 punctuation，但是不是决定性的。
: S' r% b+ G) q- a  B) q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。

" E" p- L  }2 ^$ p( X3 ]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。
1 ~2 E& T8 b$ s* l* b. R" C8，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。
  ~3 W+ x2 W5 w1 ?1 X

1 z8 O7 t2 a0 }; P. A

nanimarcus

多谢各位榜爷打赏。