faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

/ N, a8 x! c$ W0 i3 T. _
. p( n0 J  _0 L; M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。
1 w, o: t( r% i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。
  ]3 v; l3 e/ f7 H! e----------------------------------------
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。
----------------------------------------
4 z" g9 x- C2 y; L+ vhttps://github.com/guillaumekln/faster-whisper
5 _% S( N4 m3 L安装如下：
1, Windows 10
$ I; T2 x( V- G2, Python 3.10.11
3, CUDA 12.1
  F  L3 ]2 w: P. R. e/ O+ w4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
" \3 X, ~2 e- ]7 `  z2 \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
6，pip install faster-whisper
5 G1 x. V- o1 g----------------------------------------
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：

----------------------------------------

from faster_whisper import WhisperModel
) T; E  F+ _* P) ~. O
/ H7 i/ i- b) [model_size = "small"

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

segments, info = model.transcribe(
" A/ z# ~3 ?4 ]# C    sourceFileName,
4 D0 g6 @: Y4 e    beam_size=5,
  U& u0 a6 _8 t/ }; I& F$ o5 c3 I    language="en",
    task="transcribe",
, A& a8 R; X6 z6 G4 k6 V+ {  T    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
) a% {2 Z# O4 o$ r3 i
for segment in segments:
" o5 |3 _, y9 T2 m+ i    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

5 D5 |3 Q6 y5 ^3 Y! Y        for word in segment.words:
& v' r6 w5 e+ l0 x$ Q! u               
1 \$ }. r( ?/ ]' n: @$ r----------------------------------------

2 _* }( J) J; \* s6 e# \8 `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。
+ l& m4 B* I- y. D2，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
( Q1 k& r& c, _0 C. p6 F' [比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
9 b% [* m( R  s. I/ Y5，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
' Y5 f3 x0 j) y' `* N  I  H& A) g其中
( U" P  u0 n7 p4 Q: F- {; S    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
- V6 y$ M; t" T$ M    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。
. g& ?7 Y1 l- R9 |3 X" J1 D2 Q其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
" L6 \# ~- H8 F8 }4 n152 def transcribe(
6 h) H5 a5 ?" _8 Z从源文件你可以看到是支持中文的句号断句的。

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。
. J0 A' x/ I5 g7 H: q, q# x7，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 U4 O8 ^4 `2 B6 E2 S+ ?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。

! ]5 p7 G( M, @2 s* ^3 F" a
2 d+ l$ Z1 I* f
4 I, W! I* M; K2 `

nanimarcus

多谢各位榜爷打赏。