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。
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。
----------------------------------------
3 z. B5 m! E5 G; D; 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。
* p- f8 O% b$ R: D  ^! @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。
  J4 A/ q; e$ F3 j( D----------------------------------------
: j+ j5 U" o+ Ghttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
+ R6 z7 E4 |9 O0 @6 e2, Python 3.10.11
" B/ ~. ^4 t5 i3, CUDA 12.1
4, 在python 3 中安装
& R3 ~0 e2 _* |' ^/ G0 _/ _3 L- Rpip 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。
7 J3 s8 x- L. B! I5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
1 s; N; k; `9 r! W* Rwhisper 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：

----------------------------------------
7 C( k, V6 e6 E- D" w) d6 H6 W
7 N6 B  W# v2 afrom faster_whisper import WhisperModel

model_size = "small"
9 C2 Z& q! t9 R5 }% j
" {" k8 w) r( \+ R7 b; }6 l: _) Nmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
: _0 D- X) d2 J) z
! T7 E+ C1 E5 s0 F; f, B* B* T3 @segments, info = model.transcribe(
    sourceFileName,
* Z1 i1 q  Z  K% t' Q    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
6 n' d& X+ N8 P$ ~$ E    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
; j; p6 c. x9 U" ?    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
: E' t% L* Z& O! Q3 M: t               
! Y' k5 `* X' D/ ?& [+ ]1 C----------------------------------------

5 k! i4 \2 e6 `+ g% K, X+ M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。
5 V* L4 s0 M0 N. E0 U2，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
& I3 @% I7 N' S4 `" V% d! |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：
- g  ?5 w3 {4 m. z6 [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
. p7 h! x: N( |; @3 S9 \: e* n    word_timestamps=True,
4 O( u1 q! Q, X  `( G* v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。
5 O/ O7 v  G  p0 m( P5 L) u其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
# ?4 e* E2 p, H4 P6 @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。
! i$ K  B- r6 a9 x* T- x3 R5 h7，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。



) H* u: r, ^; Z% W" T

nanimarcus

多谢各位榜爷打赏。