faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

& y) T, `  W' d9 q5 Z) L2 X: D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。
----------------------------------------
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。
7 X, s7 t6 \* ?# b: E$ x6 F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。
----------------------------------------
. c  Z' P8 ]* D2 K1 D1 Ohttps://github.com/guillaumekln/faster-whisper
安装如下：
( D. L& ]; X6 r( a" X. O+ g1, Windows 10
/ r4 @4 D% W; \" i% M2 R2, Python 3.10.11
: h4 u; n( d; g% R4 G0 A7 d5 }3, CUDA 12.1
9 R9 w  Q9 P, F: t! x9 i* I( }; T4, 在python 3 中安装
" w5 |4 u8 n5 }! Y6 ?5 Hpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
& v8 u9 k' s" e# W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
3 J, ~4 u0 q: a% n1 b2 t& o这是向whisper 致敬，可以不装
6，pip install faster-whisper
3 D2 R( X0 t' B3 V2 G; |+ i----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
5 `9 x/ l' y, P* T  L/ g$ B& p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 q* c3 x1 J- o2 yfrom faster_whisper import WhisperModel
* N( R. n( J  a' ]* F+ A8 C$ D
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
& Y+ F  J: r: S9 C" ~
% U8 W% y) R( xsegments, info = model.transcribe(
/ C2 k/ c8 r2 t. n' R    sourceFileName,
    beam_size=5,
    language="en",
, E1 ~1 r+ B# X8 G    task="transcribe",
    word_timestamps=True,
+ f. Y' d* [, V0 q6 Q    initial_prompt = "Hello, welcome to my lecture.")

; W9 b9 N+ w* C; k6 L& hfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
5 L+ F+ T4 Z; d& B# ^4 P: M* T               
4 ^% ~  S+ [9 X6 b6 c+ `$ J* x3 s----------------------------------------

代码说明：
& ?/ n: Y: T* \/ G  ^- f1，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。
% E4 s/ j7 i/ b! y" d5 e) B/ p/ l) 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。
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。
. u. {9 E! b  k2 G% l! x$ w5，model.transcribe 中参数说明：
/ f- l7 ]4 Y' a% w% Z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
    word_timestamps=True,
  [# k9 v" b$ ?& I% q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。
) Q' \8 R0 v+ t; Y$ o其他参数可参考源文件：
" @0 x) Y8 B7 \2 Q/ B) Z( Yhttps://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。
3 W$ c2 u; J! R+ |0 L8，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。


! A! P; x- T# F5 y" ]" I0 y

nanimarcus

多谢各位榜爷打赏。