faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

2 j' G' U6 r) R
0 [' g6 m6 I, e0 l# _7 _3 E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。
% u' ]* f2 e4 a) Z  M( Q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。
----------------------------------------
" F4 d$ f; f3 ?+ W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。
/ F2 O4 m0 M7 l1 R: r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
4 _/ ~' M8 w" q- C6 T/ k- [安装如下：
, C# K8 e  u3 P3 x8 q) x1, Windows 10
2, Python 3.10.11
& a+ c5 ]$ x1 P5 [% F3, CUDA 12.1
. i$ R- b3 n  D$ E3 W% }: m. m4, 在python 3 中安装
. k7 N# w$ [2 D' e( l; Q5 q2 ?3 jpip 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。
, S9 g8 C# Z$ |/ a# r. [. r4 h5，pip install -U openai-whisper
  c. \% {; y9 ?# ~3 ~1 Z这是向whisper 致敬，可以不装
# J+ X/ k1 W  g/ d' Z: M! \$ U: r/ F6，pip install faster-whisper
3 q8 n. a4 w: }----------------------------------------
6 r  q1 D1 ^2 V  K. nwhisper 我用的命令行，faster-whisper 我用的是python。
7 s+ i2 z1 c/ k$ 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：
7 ^- N: V# K3 {6 J
" Q2 M) _4 b/ m% j- }----------------------------------------
: i% S2 p3 r8 ~
# d8 o$ E& i+ N8 A  D: i. lfrom faster_whisper import WhisperModel
* q' z( z1 Y( A0 A
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
& \  V( C8 S0 x* h. T7 L
2 U+ b& @5 @, W  A$ q5 J& vsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
# b% y' z& V. a2 [' g  v4 {    language="en",
    task="transcribe",
0 ?+ Q/ D$ B/ M% Q    word_timestamps=True,
; [2 Q8 z8 O+ A3 c+ F5 D5 M    initial_prompt = "Hello, welcome to my lecture.")
, }9 c6 m* [% Q3 l  L* m
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
& ~$ v, o' G6 b+ c
  |" n6 T; W4 B3 _        for word in segment.words:
               
+ t# f; G% v9 E----------------------------------------
! {' [. w( O0 o0 d1 p/ X$ \
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。
3 y) C; c0 x! H( @* g) u! q9 I: O4 X2，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。
8 _  A) P2 k, U$ E/ g4，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。
- k, r% u( t% e. F! U5，model.transcribe 中参数说明：
5 z4 ]1 [5 b# ]3 J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
; q, m) q, s) F其中
$ [5 a4 X7 g  L* g    word_timestamps=True,
9 v. h7 Q$ A; H, w保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
+ @2 ]! n& N1 ~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：
" F" D$ A/ }6 F  m- s( h& q# Hhttps://github.com/guillaumekln/ ... isper/transcribe.py
9 u9 g3 V. e) F4 L- l! f152 def transcribe(
# g$ _& n! }2 I$ a+ i  c; t, D2 ^4 G从源文件你可以看到是支持中文的句号断句的。
) F( B+ F! ]: E
4 |1 M+ K1 o% x6 p, Q6，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。
7，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。

nanimarcus

多谢各位榜爷打赏。