faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

! c7 n3 }  [1 W- G8 O
! G' H+ |$ T: _- W7 \; G# 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。
: @' ^& N8 z# R+ y- 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。
----------------------------------------
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。
----------------------------------------
1 C2 j1 O  {+ N7 g$ ~' T1 S' Dhttps://github.com/guillaumekln/faster-whisper
安装如下：
7 b0 o7 k3 y. l  t2 p& u  L/ |1, Windows 10
- M; o& Z2 y- g7 G7 I2, Python 3.10.11
3, CUDA 12.1
5 x9 Q& c0 g5 a% x# N4, 在python 3 中安装
% l5 O, X* C" G, W: \" Npip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
& M& }  ^, h9 T  c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
, Z0 v; `* i* k& S这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
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：

: E6 h" j' W( s  g+ f# A+ q0 O% e7 _----------------------------------------
- \" k6 E. s. J! u
* ^) V7 [7 p1 f: O9 cfrom faster_whisper import WhisperModel
* z  H+ b5 W- n
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
: y  R& |3 e: y- ]- B    sourceFileName,
    beam_size=5,
6 K" s4 B: U. Q' L7 |- z& [: I    language="en",
    task="transcribe",
    word_timestamps=True,
5 `# G- N9 j  @2 a, p6 M    initial_prompt = "Hello, welcome to my lecture.")
0 G3 m2 d' J  S+ j# d
2 m, o: V5 W7 H/ W5 e9 v9 ofor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
5 j, H, j. _: e3 g+ Y  B               
8 k8 y. ^8 W! a, W( Y----------------------------------------

& Q0 X1 U! i" k" V代码说明：
- U" j0 v, |1 L1，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
4 E2 ?! j/ i" r2 K. \( X比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
3 D! k8 d$ p1 A7 }5，model.transcribe 中参数说明：
你要是对 whisper 的参数有所了解的话，基本上这些参数就是对应whisper 的参数
其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
* l8 }2 F- d1 W- A    initial_prompt = "Hello, welcome to my lecture.")
1 U  l1 `, ~" R8 v8 ^: a保证能尽可能准确的断句 punctuation，但是不是决定性的。
( y/ o  b9 H* j4 @  H+ ^其他参数可参考源文件：
3 u4 s) K" }: k3 M) hhttps://github.com/guillaumekln/ ... isper/transcribe.py
  {3 w7 n8 z" `/ p& r' J152 def transcribe(
) v! D6 H, o; _从源文件你可以看到是支持中文的句号断句的。
+ i- z9 A, t' N# i+ d/ i
9 ~! R1 F8 Z7 u6 [, G* Q# C: O. ^6，如果要尽可能准确的 punctuation，根本办法是用比较大的模型 medium，或者更大。
7，我自己观察一个小时之内可以保证断句准确，再长就很可能不行，所以我的办法是切割文件到一个小时，识别后再聚合，效果不错。
8，faster-whisper 会上传一些信息，检测到不停的使用网络，曾经有一次代码出错就是访问网络，你要是有洁癖就把网络暂时给关了。
- \) l7 V( m4 D4 X' g
8 I' ?4 u8 M( W6 U5 R9 p# l
+ @2 }. H( {% U6 p8 H
; V2 V) K2 x+ c( r, S5 N8 l

nanimarcus

多谢各位榜爷打赏。