faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

/ C1 `/ G# j5 m, ?* x
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。
----------------------------------------
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
安装如下：
6 v1 j4 L+ n. H, Y1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 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。
6 ~* k. q5 }" F- Q! R' e5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
  I5 P: l  J+ q" C2 {& Gwhisper 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：
( x4 A3 H) G9 Y3 k0 A1 G: q
0 u5 s/ _% k$ N+ S----------------------------------------
$ k. E: }  G7 Q. l
from faster_whisper import WhisperModel

5 `. Z: v) }& n" hmodel_size = "small"

* a1 A- r: v- [% @2 b% O5 _model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
' b( O( M; g/ M: C  Q$ p    beam_size=5,
- e$ j9 q9 ?; H" s3 D1 K8 w( S0 ^    language="en",
) m( k$ v/ G4 N. ~6 A    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
$ M) }) Y" R$ |0 V. d8 g
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

, B- f/ E7 O6 q, Y1 X- ^        for word in segment.words:
               
----------------------------------------
" T4 f: ~+ x/ y2 P( l
% c* k! A9 g( C( r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。
' }* E+ ^! c8 Z9 K- f7 _8 r+ V/ r3 S3，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 \! L, \/ s& g0 Z8 Y; x4，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
/ I2 S- H8 a! _2 }$ k( u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：
* |. ^( L' z- i) a9 T1 X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
" p* f5 U  G5 ~. Z. U其中
    word_timestamps=True,
* g9 [( G2 W$ `; Z, u保证了你能拿到 word，否则是拿不到的
& E5 P0 a( ?& v- q7 t    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。
6 r* z6 \5 u' p- A其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
% T# Q8 _; Q) ^" V/ [/ I5 |从源文件你可以看到是支持中文的句号断句的。
' B, y8 f9 j9 H+ J" N% ~
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。
8 Q+ ^) N1 X' A1 V7，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。
3 `# P" E7 h8 U" f$ U
2 d# ^9 b2 q# C5 M+ R% i4 `
& D8 W% r$ B; [- H4 S; a) v# I1 A

nanimarcus

多谢各位榜爷打赏。