faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

4 Q7 P8 |2 i+ N! {
9 P( R$ Q* P  r" g. 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。
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 v# Y$ [' X7 s$ I----------------------------------------
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。
$ @0 @: r7 ^$ V4 B, A( o% X, L0 U----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
! ]) F) Y9 Q6 J+ C9 V& B# \* `2 z1, Windows 10
2, Python 3.10.11
* j! s) O4 D3 I: B3, CUDA 12.1
9 t) P! s: `  B- ~: H! {; h4, 在python 3 中安装
# {  u# W" y% `2 H) L- {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。
4 {# g5 D, i) N1 Q8 r5，pip install -U openai-whisper
+ m5 R: }; Y" A: ?$ e. V6 v! Q- r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。
; `0 j. J' [- e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：

----------------------------------------
- Q9 |( J- J  ]1 b- q+ c. n. ^
from faster_whisper import WhisperModel
5 n3 j$ @4 E) H
3 f) e# T( U4 q# M/ m& f& _6 Pmodel_size = "small"

) d! }7 I- i) V; e$ \. Cmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
1 v7 Z* v0 J4 O* C
segments, info = model.transcribe(
' T% X$ c+ p3 z    sourceFileName,
" K# I2 S  @2 W8 O9 p    beam_size=5,
    language="en",
! E, [" T0 Z2 v, V+ S9 B    task="transcribe",
) a2 p% \$ p3 ?# I* A2 P; X    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
+ H$ {7 J6 z% {: W; J! g' U
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
8 h8 [3 @1 ~" \: N& x  B               
! N8 i" x/ {+ a% x% \----------------------------------------
5 t* a/ U- d2 d- j3 l- T
代码说明：
$ k2 e( H  [( `' Y0 S# ^0 `& `. W; e1，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。
8 i* P2 A6 O2 c$ o: _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。
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。
  `. j" }- D( v4 {. Z" b% `' Z5，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
; Z' e; S6 {! K4 z& D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.")
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
3 \8 t' m& h6 f9 U152 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。
8 h2 c* W8 \$ P% |$ ]  e7，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。
9 d$ W* j. R% p0 j+ L) w% o

# T/ B- V2 j* T0 P" W3 \
5 O: t; w; r8 g5 f. E; ]

nanimarcus

多谢各位榜爷打赏。