faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

5 g7 A! j/ x1 o4 ?1 p
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。
8 X8 n- `7 G( V  g4 W  B9 w, ]+ b----------------------------------------
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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
( N0 w  q8 ]+ i2 e( t3 J安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
& {' Z  K6 q* {; _5 J) M4, 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。
5，pip install -U openai-whisper
  u, N* H7 t4 z, i& z' C这是向whisper 致敬，可以不装
  H- ^/ w9 [# F) W' V, f! M6，pip install faster-whisper
----------------------------------------
) u2 e/ b: K! K/ a6 |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：

----------------------------------------
3 v4 i  }7 k4 @% ~/ Q4 @
from faster_whisper import WhisperModel
+ L- Q  ]# e! R% s, |0 L# G; D1 J2 {  E  u
model_size = "small"
6 W$ q* F8 b4 D
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
9 M+ H3 S- V" ]  L8 @5 |9 x    beam_size=5,
    language="en",
) K" f% h$ w9 E1 G  \7 o0 y* S/ A    task="transcribe",
    word_timestamps=True,
: K! x' M6 O; |9 w4 h4 n    initial_prompt = "Hello, welcome to my lecture.")
) A) G9 G, c. A# X4 s
0 w: O0 S4 E' g) Z  _  z0 ^* ffor segment in segments:
3 b! \+ I0 W; i9 {    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

7 T5 C/ }/ n, G4 [4 K/ S7 T! s        for word in segment.words:
* `) P3 R1 ]  S  h) P, f8 W' f               
----------------------------------------

3 k1 C$ g; _+ ~% n. R# S代码说明：
4 @- y( x. |* K; z1，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。
( R' Y: ~% C3 p2 v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。
& @# O, o( U2 w3 C; l  \5 V4，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
2 O% z) O& j+ ~7 G) ]. f: 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：
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
其中
. \# n5 i* x2 u* `    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
) E4 B3 }4 G, J7 J, H8 i0 f    initial_prompt = "Hello, welcome to my lecture.")
8 k" _2 s) I1 U- E6 l" C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：
& t3 V; P6 R9 ~' k- z' Khttps://github.com/guillaumekln/ ... isper/transcribe.py
, {; ^( c$ A* H; [2 I5 N0 C) ?152 def transcribe(
) @; y# h" Y0 u$ l$ o: j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。

. i  B. A7 Y, {- }/ k6 k
6 X* i! e* m6 V
" H% k* @, T3 @

nanimarcus

多谢各位榜爷打赏。