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。
. ^4 B6 K# W4 z& a- r  C- `----------------------------------------
+ c- }6 [! M) |0 x1 z+ U; v: j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。
) j8 P' X8 q' q5 a) 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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
! R+ J7 M9 O) \6 {) O8 m* R1, Windows 10
! P. W1 J0 W2 d1 z2, Python 3.10.11
  s7 |9 Z( F; ~& q3, 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
& z2 U' Z$ V6 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。
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。
. A; Z3 A5 I" A+ j, V# D4 x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：
* t5 G  E( Q+ l8 G
----------------------------------------

0 o2 n" F1 [( B$ N6 v* ]from faster_whisper import WhisperModel
* s0 O* i& O. J: ?
model_size = "small"
( I! H. x% k* S7 P1 j: R8 ?
model = WhisperModel(model_size, device="cuda", compute_type="int8")

2 s7 F* ]6 k6 nsegments, info = model.transcribe(
3 x! C3 A7 d  Z6 T: r    sourceFileName,
    beam_size=5,
! Q  D0 Z2 ?- v! ?    language="en",
    task="transcribe",
& ?$ U% y6 ]: U! b3 f) x    word_timestamps=True,
% d# p. ?' q" \" r0 T- L# G/ [* Y    initial_prompt = "Hello, welcome to my lecture.")

6 n4 ~# {- N$ r5 Efor segment in segments:
" j; d3 g& n" u" l9 v  _" y    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
: ]4 K: ]2 G$ N8 C- h  G# H% y               
; a* c& F  V$ m$ f9 V( e: j* v----------------------------------------
. J) z! @+ H0 v" A
代码说明：
8 }/ l- f( l9 g* t, \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。
) U) H$ R! [; G% Q6 G  Y1 l$ z+ C8 R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。
) U- g* ~" e- Y) B3，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。
; [  }  n" u8 t; [# X/ D4，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
* F' s) x$ W" B1 `) U8 c) X! X比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
" E% u" R% S) ?% ?/ `$ R" b5，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; o' F' k0 s- O其中
    word_timestamps=True,
" e6 `. n6 n- R; R. v保证了你能拿到 word，否则是拿不到的
: H4 r2 |- b7 M, S) n) ^+ T0 U    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：
2 U/ h/ f- B" I3 {0 e0 hhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

. V9 n$ f1 a( N, s6，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。
1 p! |. J4 \% ^$ h2 w9 v7，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。

+ I' X* X1 a8 A$ X& v, p
' E0 D3 _' S: l0 T0 f$ W
; D7 U; J) f/ A: G) m# p, v

nanimarcus

多谢各位榜爷打赏。