faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

* a- b/ J5 q) V6 ^8 }/ L: Z
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。
/ O- B$ z( w, |/ x# S+ i! g----------------------------------------
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。
----------------------------------------
- |& Z  q% f7 ]6 K" X# bhttps://github.com/guillaumekln/faster-whisper
安装如下：
4 q* y8 [' F9 o% |1, Windows 10
9 R- x6 x9 a7 U2, Python 3.10.11
3, 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
7 T' x; A3 ?0 G+ }* f/ h6 K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。
+ l5 P. S3 x: {. U3 I/ e6 A" e5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
; x. z2 e2 m7 F6，pip install faster-whisper
9 i- G8 C, e: p----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
3 M8 h/ }& y: h  m: o: {; e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：

' P' d# H( N- g* _----------------------------------------
, Y/ Y$ {, u( |# `' o- B  l+ d
, K4 `: ]( g# f/ t: y. Rfrom faster_whisper import WhisperModel
* o( }4 s$ l8 f
model_size = "small"
& b% D9 C0 v4 ~- ~
model = WhisperModel(model_size, device="cuda", compute_type="int8")

' Z0 Y. y% b5 i5 y# ]segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
2 M9 M0 V( c. a; }
4 T  [+ C/ C' Rfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------

4 @6 N% z& d% x代码说明：
" {9 d; Z7 K# S; ], z; u) b0 R1，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& {+ S  e8 S3 ^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
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：
7 f4 {! W* h' t1 {. P/ u+ {0 L- r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
9 e( Z, e, i% k: l    word_timestamps=True,
- C# r- u3 ~! I- G8 K/ T( `) K( {) Z保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
% @5 g( M! L4 [$ H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：
" k8 E1 C. X" z6 L% M1 X9 Fhttps://github.com/guillaumekln/ ... isper/transcribe.py
! H* ]  i) L; l4 y152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

& v& o4 ?( W2 |3 B7 V' 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。
. }: o( z) D5 D: P. B! L7，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。
+ s) c5 q3 f6 H# o7 Y. x$ `! ^
* t4 c+ S3 A) u; J

" y/ a* J) H/ h$ i# l3 G

nanimarcus

多谢各位榜爷打赏。