faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

! ^9 Q1 Q" S6 V' F( s9 i& @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。
----------------------------------------
3 R  Z# g' ^. I5 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。
----------------------------------------
# M  y, V8 [/ J: P( R0 shttps://github.com/guillaumekln/faster-whisper
2 ~* j1 f# S) F: K' X, b: g" w安装如下：
4 M# H  y$ R9 c$ q1 ?" D7 Z; J1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
/ C. ^! {1 c$ a: q# H4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
6 h$ v4 F. i, p6 s  a3 o& X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。
0 C  l# Y4 H* b+ X8 a5 x9 P5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
5 t; r7 G0 W' G/ d4 A6，pip install faster-whisper
: }7 a" K: z7 l$ n2 X  e7 `3 e----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
" L/ C+ z1 y! d  C. t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：
. X- f8 M7 Q* g7 \% e
----------------------------------------
1 }- h3 A5 i; d
6 @/ o: W  U2 \# |from faster_whisper import WhisperModel
* a% w% k" ^& y4 ]/ `/ D& ^9 @4 F
model_size = "small"
: G% \7 Q* A: q0 g/ n1 t. q' H* O
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
) Q- t% C$ B- x* K+ q% M6 M    beam_size=5,
    language="en",
    task="transcribe",
; R) V) V; ^9 C  O; r' p    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

+ z% S; [1 p5 ]! @# m3 C( }. K9 r" ufor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

+ K$ {2 C5 b4 S, E        for word in segment.words:
. \3 \3 V+ J* s, o0 E               
- p$ y3 O3 i; X# Z+ ^, Y% p----------------------------------------

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。
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。
6 I" G4 U( U3 h2，segment 本身是很粗糙的，做字幕勉强能用。
( K; m1 ~2 s. k1 ]% E3，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 p! K- r' L% b. _0 a2 D4，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：
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
  Z$ ?6 p/ A. m& a: G其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
0 |- l1 a  G; B/ F    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：
https://github.com/guillaumekln/ ... isper/transcribe.py
! {) l7 a4 t' z4 U: \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。
. G! s$ |2 r2 ?& u7，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。
' E$ m! j' M& O( i1 z! c, y# R8，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。
" e2 M# l2 V% l! w6 L2 M3 m

3 t6 k4 |6 Y7 o

nanimarcus

多谢各位榜爷打赏。