faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

; w  q# H/ l; P' J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。
6 T% E$ }9 g' _% `0 b5 }, X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。
1 A+ t( N1 j. T( K2 r# Q----------------------------------------
2 O+ q' b/ f+ d$ C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。
9 _7 ~; `% v9 W) k& u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：
. m% m4 H4 r2 y& O, k1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
, k/ k6 D$ B, Hpip 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
这是向whisper 致敬，可以不装
) h& ~+ h  C* m5 m( }" V3 s* i" y: Q& R6，pip install faster-whisper
/ a" M$ J# P* Q: O----------------------------------------
- ]9 T- ^( I3 M$ N$ C" R% M7 Lwhisper 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：
. w' I: E0 _; ]- w  i# D7 f
----------------------------------------

from faster_whisper import WhisperModel

, Q/ I4 D1 i4 N+ ~5 Z+ |+ rmodel_size = "small"
) e6 j5 i6 {3 x& Z& n
model = WhisperModel(model_size, device="cuda", compute_type="int8")
' Z7 A; a7 u; M6 p( k" J* o. Q: _* L
segments, info = model.transcribe(
    sourceFileName,
2 s/ @2 u! p- n7 Q3 v' f! I    beam_size=5,
% ?7 h# R( O7 ]; ]# k    language="en",
  L# t, c7 a" z6 }2 ?# ?8 B- \    task="transcribe",
    word_timestamps=True,
1 I: w  q" O- Y- C8 `    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

2 X- W$ L3 p0 [* Y2 g        for word in segment.words:
! @2 h1 n" e6 x+ P) V               
----------------------------------------
# r" A" x% J4 x" U
代码说明：
: G/ ]# w. f0 R) b# ]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。
& n3 L9 x* f4 t7 ^# u+ X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。
+ m7 h7 W% s4 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
* u9 t( m) W0 |: ?% B* P比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
: C1 c9 P; n, z. w0 A: q5，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
/ N# f7 Q) F7 Y, L/ d1 b& e, R, J其中
    word_timestamps=True,
7 y" |+ @( D9 j3 F, ~1 h" N4 n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。
! U0 n8 J; D* L# w9 O$ t4 f/ S1 g其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
& i0 Y8 _- @0 S5 g1 w3 a, J% }152 def transcribe(
% ^- u; M+ ]$ W) a从源文件你可以看到是支持中文的句号断句的。

" u; k3 S* u3 |' B- ~; s6，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。
; b( Q8 r% A6 x1 E7，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。
  A& }9 u3 ?; T1 N& x% n8，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。
2 n* p/ C1 q0 p/ X1 @
9 O4 K$ }# m# G8 l% F3 B

nanimarcus

多谢各位榜爷打赏。