faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
) E" u7 R( Y- K5 W4 [----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
" H* |+ b" o) S% A% X3 p0 s1, Windows 10
2, Python 3.10.11
2 g$ Y8 I1 z. k" c9 R( D( A3, CUDA 12.1
: h7 e* W; w+ K) b1 `. ^4, 在python 3 中安装
9 G; P7 @$ |; {( j2 y# w- Vpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
# Y" {2 w' x  v4 d* @, w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。
( W* u, b4 f# }, _% Q! s5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
9 w9 k, e+ k5 twhisper 我用的命令行，faster-whisper 我用的是python。
6 C. k. L+ q/ Z& _5 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：
' C& H$ b. ^8 o$ F( w
----------------------------------------
! q$ M/ `5 c* i. A% c  G& e
from faster_whisper import WhisperModel

model_size = "small"
* C9 Z7 c* r. J: p" {1 k
model = WhisperModel(model_size, device="cuda", compute_type="int8")
& o6 X/ t1 m0 U$ ~9 Y: |9 m9 U
- \- E8 E9 I2 j% u- J) fsegments, info = model.transcribe(
    sourceFileName,
+ ]% s4 Q1 ]6 f' {    beam_size=5,
% y8 l" |4 j6 @    language="en",
    task="transcribe",
% n, ~3 j8 K; n5 E" P3 ~    word_timestamps=True,
/ b0 M% z- K0 ^2 T* b# o$ ~6 s5 H    initial_prompt = "Hello, welcome to my lecture.")
" h* D( J4 E2 D; p' m5 l1 z
' `4 r, t$ f. P5 t4 K! ?for segment in segments:
. |7 q  h* ^- h7 r) K    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

. t' Y* B8 B4 e        for word in segment.words:
               
----------------------------------------

代码说明：
. Q6 h/ }' f5 ^# {  j" t1，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。
5 f$ \- v% V- p! j$ `; i4，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
% z" Z8 S. o' d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：
7 ^% w; @% c7 @- }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
' \, ^- i2 ~, L. t    word_timestamps=True,
8 e9 v7 v% H8 ]保证了你能拿到 word，否则是拿不到的
    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。
4 ]" k/ ~$ E+ @/ }( T* r, U其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
& h9 ^- }  Z) b" I从源文件你可以看到是支持中文的句号断句的。
" o1 d2 P  z  q( f  w' X, m0 Y
$ U( J0 @' m1 y) 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。
- X' t. ~* }( j/ ~1 L7，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。
, D6 C  T; C, _. N0 o. `- _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。
4 K: T( t$ M! f3 G8 y2 K! B" ?

: Z6 k$ j5 r1 a* E# `
& K2 ]; i6 f% A: `

nanimarcus

多谢各位榜爷打赏。