faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

  j7 M  P- y! {0 U8 Z
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。
  l  U# k& F9 o8 s" Z4 H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。
----------------------------------------
# ~) n5 e$ m' v" X1 Z- E$ v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。
7 x4 O- U, u/ M) B! R% L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。
----------------------------------------
$ B9 {5 L, n6 j  i, Uhttps://github.com/guillaumekln/faster-whisper
2 Q1 H/ w8 b) T: `- X" G安装如下：
$ B) u! a) m, X1, Windows 10
& d! M9 d' l3 `9 _, Q. A1 e( W2, Python 3.10.11
3, CUDA 12.1
% {  Z+ W; E; ^5 L5 E4, 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" l$ b- @- n2 s) h2 K5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
! E" U. r7 u0 S2 E1 W+ v. A. Fwhisper 我用的命令行，faster-whisper 我用的是python。
& `) |0 L+ x( p2 [0 n; |- n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：

----------------------------------------
# M' p4 f# v9 Q3 R0 G8 M% C
from faster_whisper import WhisperModel

" m9 l; N, h% ?" `model_size = "small"
; X/ d# r! A/ p( r8 ^
model = WhisperModel(model_size, device="cuda", compute_type="int8")
7 N3 O$ W" g8 n. I0 W- i
segments, info = model.transcribe(
    sourceFileName,
/ I- w' j; x& _* j    beam_size=5,
    language="en",
9 c( A6 A% {8 f    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
& s& s, q: f* W2 {+ o
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
% R# L; j& h& H$ Q+ u/ Z               
----------------------------------------
' K5 u, L  b5 Q
4 h* k5 N+ O$ F4 e+ p% `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。
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
& x. g% s  G+ X( f/ s& k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：
% h& l  |7 ?7 h- R/ t4 P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
    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.")
6 D( A# m, O8 o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。

: N  ]' J. C! U- E6，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。
) U6 U0 o/ J) d) m4 N+ L

" ?: r' k/ e' v' o) d! C7 Z' b' ^, g

nanimarcus

多谢各位榜爷打赏。