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。
7 \& D/ a4 {* @; s' O! o# a% ]6 O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。
* B* J) N! j3 g0 B7 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。
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：
. @: M; N! l! G0 a6 s2 K1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
5 i# t% \6 ^# D7 k$ n/ N% x7 s7 l" ~pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
8 S3 b  H7 T& s4 d& `) V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 y8 _6 X' B: @7 Y5，pip install -U openai-whisper
' r) k+ C, N7 j1 X这是向whisper 致敬，可以不装
$ s( x; M8 y; o. e/ C6，pip install faster-whisper
4 ~' A0 A% l. Y: r! b# m. o----------------------------------------
5 {, Z8 k7 N( ~% O$ f$ e, Gwhisper 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：

; n! U$ a2 H1 E& j" W----------------------------------------

" o2 }, J, M9 ?" v! _from faster_whisper import WhisperModel
* y$ o* P5 [& L& _; I: X7 N
9 H. W8 g. X) vmodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
3 H. s/ s" P; @; a& T/ x- I9 l# t/ H2 a" S
4 I" ]) n5 D' {- m9 X+ C& A0 ?" a! Asegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
, v: R9 H* g( s, |! o0 ^( p* N+ S    word_timestamps=True,
- e. Q7 k/ H8 l& L    initial_prompt = "Hello, welcome to my lecture.")
9 b( p/ d  F9 i( T6 \
  P  V; ^7 L& [! L' r" ~* ~6 ffor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

/ r9 B$ D/ [: Z$ U        for word in segment.words:
               
6 O2 d- t  M% c0 e----------------------------------------
" \- @. d( S8 Q. E$ T  t
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。
) e8 M' O; l" B  T* P2，segment 本身是很粗糙的，做字幕勉强能用。
) D0 S5 s# }. y# K3，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。
5，model.transcribe 中参数说明：
6 M2 ^' w( w# ^- h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,
保证了你能拿到 word，否则是拿不到的
' g3 l5 `* M0 u8 T- T) k    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。
9 w2 `9 o% s" K8 C( _  e其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
8 t! G0 R+ P$ ~5 z7 K, b+ M152 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。
) e( p$ o) r' k) s8 d' R3 z7，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。
, D- v+ x; g1 `( }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 H' u) ?/ o

! x6 N" [! d' v& {6 x' F
5 `  p) ?8 S( Y0 F0 M) @8 z

nanimarcus

多谢各位榜爷打赏。