faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

4 r$ @% {1 c% Z& O( B$ o
$ Y7 C- d) k, _) i! J7 @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。
% ?/ g4 R7 V5 w/ ?' ?/ 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。
. n, f2 k3 B' F, e0 m& u7 P----------------------------------------
' T- T2 q$ h- }8 {$ p4 T7 N. _( R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：
1, Windows 10
2, Python 3.10.11
2 ^* `) O" I+ A; e2 t3, CUDA 12.1
  j; }, w( l: a4, 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。
9 A6 j" q5 F8 W7 A: b! B5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
! p' y1 d/ a& g; ~6 D6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
% a* f" N" S3 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：

----------------------------------------
- W. ], t& J" N4 U. x$ \) N
+ b4 r! @! G+ p- t- f, h# m0 W2 Jfrom faster_whisper import WhisperModel
, b6 J+ m7 R  k7 A2 j' [3 H
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
  j0 z5 ?* Z; R; b
: i& u: n$ d9 Y* I8 b( ksegments, info = model.transcribe(
6 _5 B' w/ `8 f; h    sourceFileName,
: d$ Z& F7 D* }$ \; g' b0 w    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
9 B8 q* x! f/ V4 B4 C    initial_prompt = "Hello, welcome to my lecture.")
  _  z4 [1 t: Z7 @- n
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

  w5 R0 n' ]  v8 j        for word in segment.words:
. F% A  J  f9 f* n! l6 }; X9 ?# n               
) f. K* e( ~6 @/ v- n% S3 G) k----------------------------------------

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。
# ^) ]1 k( u* t7 U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。
2 \* a; s$ U: }2 W  L7 F3 n; J1 Y& Q" O5 k5 A4，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
8 C! t8 d* Q* o- B0 |: B7 M2 w, w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：
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
' c8 z; R* _. J- G, R其中
8 t; @  `7 R! K* \, D8 ?    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.")
' n5 O3 \% `7 J7 v5 V9 k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：
https://github.com/guillaumekln/ ... isper/transcribe.py
( |2 l/ e/ C, W# D9 j- @: o- `152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
- D# R- @2 q" n$ }; ]
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。
* s; C# L" H: n1 D3 W  j' E' }7 X2 n7，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。
) z& V! k! O1 W. q6 O% o4 S6 \! i8，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。



5 d. |% l8 F) |. [* j/ D5 B

nanimarcus

多谢各位榜爷打赏。