faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

! E1 E2 i3 G& v7 f  g9 f
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。
1 i8 f; i2 w9 c$ s----------------------------------------
https://github.com/guillaumekln/faster-whisper
8 G+ {5 G! j. I0 {安装如下：
8 x5 ~; j! t/ D5 e. {$ A1, Windows 10
: F6 ^9 u5 n* f+ O2, Python 3.10.11
3, CUDA 12.1
  E+ i: h- V" c" U, u7 |4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
  |/ s9 \, W" E7 K' K1 c: 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。
6 N( D$ F3 _0 u. u. }5，pip install -U openai-whisper
1 A1 u% m$ o7 S' R0 Y( g5 y; Z这是向whisper 致敬，可以不装
+ f, A- ]6 P& Q4 r: r6，pip install faster-whisper
1 S9 k8 Z) E# d----------------------------------------
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：

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

3 _4 C1 `3 O& l' J$ x" e4 xfrom faster_whisper import WhisperModel
% x- ^5 S) @3 j# r
9 N5 C8 ^  I3 P3 |3 n$ K2 U1 Rmodel_size = "small"
. R5 |* _/ w0 `' F; s" q7 _& M
model = WhisperModel(model_size, device="cuda", compute_type="int8")

4 c6 U8 [1 x) F! H, @segments, info = model.transcribe(
2 ]+ ^* n2 T: J* X* |    sourceFileName,
    beam_size=5,
% R$ F# Y( ^4 `! z- V) G! |9 S0 e    language="en",
) C- n9 V$ O: [; x. E& s- T, s+ k7 n    task="transcribe",
. y# B: H& {  U6 Q    word_timestamps=True,
+ l2 F" x/ y' e( S$ I; p+ O: ^$ V7 l    initial_prompt = "Hello, welcome to my lecture.")
+ s% o5 ?: \  q% P0 [
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
  G8 @( U# N1 G+ H! ?1 r' w
        for word in segment.words:
" z' T+ I/ e$ Q. o               
----------------------------------------
6 K" N: L6 @2 U$ E3 o% @
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。
) k& ~* G$ s5 c: J: b. ?* L! D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。
( S* Z1 L( j- j3，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。
# |  p1 X- X0 S6 H0 G4，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：
, ?8 }% b: b% e& E* i; E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
    word_timestamps=True,
" q% x) o- ^0 g: f: R9 ^) M/ f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。
+ ]6 d& w9 B/ ]- }. ^其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
5 _7 m9 d3 W$ b; u152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
* t3 T% `- m+ V: s0 r
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。
# Z6 x4 c( b* a: K# ]- E# ]" `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。
: v9 m- @" G7 W; P! C8，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。

' {: B9 d& g4 @

nanimarcus

多谢各位榜爷打赏。