faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
8 C! L/ ?- t1 L! N1 r* c- `' \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。
5 N, v3 d; o- j8 K; T" A* F----------------------------------------
0 v5 @2 N' A2 D. o- Z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。
----------------------------------------
! j; M8 J1 ?% g! B3 ?- N8 @https://github.com/guillaumekln/faster-whisper
0 U8 f, X4 f' {: i2 J4 I安装如下：
: n# H9 j9 J6 Y/ j+ y9 a. l2 w& ~1, Windows 10
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
$ z. C* r5 _2 [( M' o& X1 k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
----------------------------------------
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
2 q  m  b) t. E% c
model_size = "small"
8 i, m7 a: p8 a
model = WhisperModel(model_size, device="cuda", compute_type="int8")
) F0 r/ n- a, A" X) y( z3 o: i  C
segments, info = model.transcribe(
    sourceFileName,
# e; S5 |* G0 `" M0 U    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
8 c$ C+ D/ `( p) _& k6 [* }    initial_prompt = "Hello, welcome to my lecture.")
! g$ }8 ?. |; S4 R( ?
for segment in segments:
. }* L/ A& w/ l  W* I$ w    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
) f1 ^; @. P: X/ P5 _4 t
        for word in segment.words:
               
----------------------------------------
+ _: e+ k) p1 G
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。
2 d! ^' Z7 f1 X3 _2，segment 本身是很粗糙的，做字幕勉强能用。
; R0 k4 ^; h. \/ E' {3 a3，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
! j0 u. Y7 Z8 Z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：
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
, m* |5 t! l( a$ k其中
    word_timestamps=True,
, x; P1 i7 X0 S0 _8 b保证了你能拿到 word，否则是拿不到的
1 i- s8 }: B6 @  W. y; }    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。
  ?; o( x5 b  Y. P$ b3 z; t9 `其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
3 ^9 u7 ^  [2 p7 e6 W152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

; i2 ?! W# A3 ?" |% `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。
! H: `, @# \/ T9 [" t- V- N7，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。
+ U; F: c9 [3 L4 X* O8，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。

nanimarcus

多谢各位榜爷打赏。