faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

- V- N8 q3 |' I+ {# q% L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。
! J8 x- r3 d7 b# |( c$ ~+ k----------------------------------------
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。
- p$ N/ x+ ?) N2 A3 H6 x----------------------------------------
https://github.com/guillaumekln/faster-whisper
1 ]( B- E2 p6 }& P* x! T6 V安装如下：
1, Windows 10
: Z; W- H. q6 K" j6 Z. k5 q+ a( y4 `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。
5，pip install -U openai-whisper
% p6 p- y+ A0 v: x% c* F: {这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
6 k3 I' r0 q7 y9 L( ~5 V$ xwhisper 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：

4 ^9 v' s8 M1 z: Q3 M" d% Y; C" w" d----------------------------------------

3 }7 a9 p' f# ], m7 pfrom faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
/ t3 ]9 T9 N+ O% X7 C
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
# g, G4 m. E: \/ u: W. f$ p0 f% \    initial_prompt = "Hello, welcome to my lecture.")

; |9 ^6 g5 [4 M5 {$ C7 m2 Zfor segment in segments:
; d1 _, B! O, r9 N- e4 k    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
( D9 F' a2 W- \5 ^----------------------------------------

  l* E" ^9 `1 e1 }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。
( A: y1 z; p4 w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。
6 o3 _: t) P4 I2 _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
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：
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
8 O/ |/ X: G7 u. d( K其中
    word_timestamps=True,
$ a0 N; m! c% r- C9 o1 ~保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
0 r/ [8 x: Z" ~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：
' w1 a, }" E1 |6 u; Y9 \https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
- y2 J5 a+ n& d3 e' y- m从源文件你可以看到是支持中文的句号断句的。

; g0 n. l! @: o( ]: 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。
. R8 f# C0 X7 v: [: x* y; \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。
4 `3 l' a3 W5 e: `; M% d& [8 r7 G

$ E# @7 U! h+ ]8 p( b& @
. O; V. I0 Z" U

nanimarcus

多谢各位榜爷打赏。