faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

1 t8 d9 o  o1 F& ]
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。
) Z2 S2 w6 ?& h) t& ^  L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。
----------------------------------------
2 E5 a7 T% {, H' k/ g6 D; 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。
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。
2 u" |4 t9 ^, Q& D0 U7 Y----------------------------------------
4 |( l8 P4 D# h; `) e' U- K: Ihttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
% _9 b4 k( @2 D# @- }  s4 _2, Python 3.10.11
) H, r3 h) W4 Y, l3, CUDA 12.1
$ c+ ?& F- [% k4, 在python 3 中安装
8 i9 Z2 m/ h9 o5 }! d( ~. Dpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
0 G: J6 k9 u5 `5 U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。
% u1 l% s- w7 O. s" e. Y5，pip install -U openai-whisper
" g6 e: Z: j1 Y2 G这是向whisper 致敬，可以不装
6，pip install faster-whisper
4 o3 G  b2 r' `. y* I+ i5 ^, C- @----------------------------------------
8 P- c; N* K% f4 a: y+ uwhisper 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

model_size = "small"
  s' m. l- Q2 M8 E' y- i5 X) h
model = WhisperModel(model_size, device="cuda", compute_type="int8")

' G7 D9 i) _: u: p+ Isegments, info = model.transcribe(
    sourceFileName,
9 ?  Y8 |, @, f  j2 j    beam_size=5,
6 m. q. X! l, T% S, b  c    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

( e1 N. ?% h- O7 H, lfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
' ]0 |; R* m9 P( U! D               
----------------------------------------
) n% S) y) v5 M  d2 T% R
代码说明：
; ^. ^. J$ f3 a1 q1，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。
, m' s; g/ H* t! V2 k) V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。
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
1 e9 |% w* f- V7 a$ |  m0 |比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
3 f; V* c. {9 ^* Y2 o5 r0 v5，model.transcribe 中参数说明：
- _- J/ @0 [0 r- p% i6 y6 s1 O: ^, _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
% ^- X2 Y1 h9 [6 P    word_timestamps=True,
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。
其他参数可参考源文件：
+ g8 B5 F. k* u( V" Dhttps://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。

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。
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。
, _( r( o3 q$ j/ b. }5 B8，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。

. X7 e( A- d0 |6 O5 Y

nanimarcus

多谢各位榜爷打赏。