faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

8 J5 R/ R; k/ n0 v1 A0 b2 s' c6 K
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。
+ {% {9 e# @, \8 A* c" a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。
0 {; p6 w% a8 z. _# N----------------------------------------
; K4 d! D4 q0 A4 ]6 C, Z( |8 H& N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。
: m- q- o6 b' c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：
5 j9 Y& B2 f+ o9 l8 R1, Windows 10
, n0 m4 v, {, [4 R6 p; G2, 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
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
4 z1 f$ S) p/ [# x, h6，pip install faster-whisper
----------------------------------------
! b# I- e8 {# R% [3 ]% Rwhisper 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：

----------------------------------------
- Z. L/ K& `- Q- J, P3 N/ {
from faster_whisper import WhisperModel

model_size = "small"

; Q3 y, _$ I6 K: pmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
; h8 q3 d: d% `
5 A0 t! A/ x- z4 f* t1 t8 t: Vsegments, info = model.transcribe(
" m& H5 |" s$ U1 M% R    sourceFileName,
8 G* x$ B& i8 ]) a  y7 W& U    beam_size=5,
$ N4 Z/ ]3 I' \0 P! u* ]( x& c    language="en",
: i7 j/ z; X% z9 Z4 l+ z+ A+ n. S    task="transcribe",
0 D. \  m* t- j6 _# s* {$ \    word_timestamps=True,
) s8 d% D2 x) {  S, I; N9 B  Y8 n    initial_prompt = "Hello, welcome to my lecture.")
" [# {# M1 ^! K- N6 A3 C
for segment in segments:
* T" I% a" ^( j7 H    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
! x% R. [" O/ G+ f% X& a
. b5 K4 t$ w' v( _        for word in segment.words:
6 D5 `# ^0 y) e2 P7 w               
$ t9 f3 X3 `5 b----------------------------------------
$ A# p# ]; D  S
代码说明：
8 @: Y: X! }: ?3 Y* e1，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。
3 Z! a$ I: G1 z0 b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。
( `9 h" c3 n" @6 s2，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
$ u5 U! G, N/ w; O* o+ v比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
" Z% `# G. U6 u, c) I3 _5，model.transcribe 中参数说明：
! p9 O2 J' A( }. o9 M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
+ F! y; R, f$ U- W1 Z其中
. a- N1 C, {1 ^2 |3 K$ P0 }    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
8 y3 L6 e; |( N3 P. C- g. ?5 z    initial_prompt = "Hello, welcome to my lecture.")
5 s* r- h7 I7 S$ t3 n: g, O. _: f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：
" H5 t  h. X+ q% Xhttps://github.com/guillaumekln/ ... isper/transcribe.py
9 k# O6 U: L( e152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
' L3 S% @% [& A
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。
: j; O% d4 s  v7 n2 i/ }1 g7，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。
# O- F9 b, h2 Q) y; k- {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。

2 u0 V1 f: {/ B) C
& L) U% u7 X' d

nanimarcus

多谢各位榜爷打赏。