faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

$ ~# Y1 t) W+ k7 `+ b5 x- i3 a
" J7 }% D: W. K2 u! C" r( D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。
, m+ H  m1 E  }2 x  P----------------------------------------
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。
0 S' v. [9 F6 X1 b! V, ?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。
----------------------------------------
8 u7 _2 R. t/ @& uhttps://github.com/guillaumekln/faster-whisper
$ d; n: ~4 K+ s" g" U! [; k安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4 x+ ]; x( j$ E4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
& a, y7 B# h$ s; v1 q2 |& _! Y. r, G0 D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。
- u: i! X7 F2 B, E# u& U5，pip install -U openai-whisper
0 r& V4 D# y; @6 B这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
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：

) o9 F% ~- v$ ^2 |6 i7 x----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"
8 Y& h* O) N# T- F
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
, v4 V3 S' n% M- y% B    sourceFileName,
    beam_size=5,
9 P5 T& E1 [& L; D* K4 b    language="en",
    task="transcribe",
. Z. f: K  D3 s1 F$ h, o    word_timestamps=True,
4 ?7 _2 Q' y( n    initial_prompt = "Hello, welcome to my lecture.")

: |1 [5 F8 E/ Z; q2 b( Bfor segment in segments:
8 F0 A; y$ I8 e* }9 m* {6 X. n    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
( O( ^& R" d+ @7 @
# F) Z9 U, Y( i8 v% u9 u        for word in segment.words:
8 P$ s5 L4 [+ |4 K$ M& Y               
$ r: T7 I# R$ }# I----------------------------------------

9 T6 ]% t4 j  |4 {7 t1 R/ Y" m; S+ F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。
4 I$ a8 s8 h1 ?1 G. q* a4 z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。
. S3 M2 ?* m, l0 S4 W* L' A7 ]( Q" u3，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
6 r# s* E, ~& \+ V8 S7 m比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
- }+ G5 L% P4 ?6 H5，model.transcribe 中参数说明：
2 [7 v* |3 X8 a! M! W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,
; x  _8 W1 H& ?3 |8 h# Z# I6 u保证了你能拿到 word，否则是拿不到的
2 }6 K/ K3 Y6 f) z    initial_prompt = "Hello, welcome to my lecture.")
2 J' \  X- g) w! A# W" f! W7 q保证能尽可能准确的断句 punctuation，但是不是决定性的。
' t7 D5 X7 U3 @! q其他参数可参考源文件：
0 h( Z4 M1 r# T) yhttps://github.com/guillaumekln/ ... isper/transcribe.py
- _0 W" b6 C4 J- V152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
8 \: L- w7 [5 ~
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。
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。
3 H$ z, l2 ~- H$ g8，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。
1 P& ]# R- S5 w& t
5 [3 O2 V4 c/ w9 i; }' S# ?4 g) O

nanimarcus

多谢各位榜爷打赏。