faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

. w  {+ o* _* B  f6 r7 R9 o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。
5 E8 w( P& O: f" ?8 j# Q) t7 Y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。
----------------------------------------
0 m) x" S3 |  V8 u0 ~1 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。
! J. U, U% K( p7 r/ v6 q. ]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：
1, Windows 10
5 N- b# u' P" \2 \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
这是向whisper 致敬，可以不装
6，pip install faster-whisper
9 L6 G! T) R( ^* t8 C; h2 ?5 y  C----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
$ u# G/ k' k' e# A8 \7 `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：

1 H& t" |5 Z* e7 f----------------------------------------

! @! ^5 }5 a3 h) d- M# ~from faster_whisper import WhisperModel
1 I9 n) ~# H0 R
model_size = "small"
. M) v9 H1 o, J% `; l: ~
model = WhisperModel(model_size, device="cuda", compute_type="int8")

/ ]$ a8 N7 C  ssegments, info = model.transcribe(
    sourceFileName,
, u. M( _2 l4 m* f$ b  l) [    beam_size=5,
& w0 W- I/ j' l! h/ `    language="en",
% g# v. \9 }& H9 L+ H    task="transcribe",
    word_timestamps=True,
, w  K' c1 f+ I- q/ E    initial_prompt = "Hello, welcome to my lecture.")

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

        for word in segment.words:
9 |$ }$ T; a. q' w8 c/ }; a; F) Q               
----------------------------------------

" T7 \& f3 j8 e' r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。
: c" t6 j& o2 W4 C" y+ U- W" K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。
- R1 K+ S" u* {: d/ h2，segment 本身是很粗糙的，做字幕勉强能用。
, `: A) f+ {4 ~, M3 ~" \6 W3，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
' W: I! j$ q. n. 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。
3 p8 s- q1 W! p+ P5，model.transcribe 中参数说明：
% K& ^* c: _# w# O8 r' i5 h; [( n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
. x" A  b+ h9 x其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
& S. |1 C8 [& c  U& |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：
https://github.com/guillaumekln/ ... isper/transcribe.py
$ r9 ]# q) }3 a# x3 Z  y; ~8 \152 def transcribe(
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。
3 {9 L3 g9 ^& k) A; c( C7，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。
) C+ L8 Z6 l; }: F) S
5 A5 Z  y3 P, r4 J; g

nanimarcus

多谢各位榜爷打赏。