faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
----------------------------------------
+ \% W! s+ O4 d' f1 N' i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。
9 |5 O4 c0 ?( |* T9 \4 O! X" x: }----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
  e6 C% {* m& s+ O/ f3, CUDA 12.1
& T3 |& B) {3 Q/ X/ e& Z6 B4, 在python 3 中安装
7 w+ [1 n, X2 c" R& ]# H. @9 wpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
9 D5 F6 a7 ~3 \  q/ s0 `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。
. m* e* W. H) U: H; u+ D9 ?5，pip install -U openai-whisper
: p& G0 l% Q( Y) F' g8 |这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
: i( @) W9 ^( ~. t7 t% xwhisper 我用的命令行，faster-whisper 我用的是python。
% w$ w$ D$ Q9 ]4 `$ S# @1 v- `% D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：

, O6 ~5 ^6 `+ G' p6 J----------------------------------------
7 P9 p- `8 r: c3 t1 }6 p
; j4 q; r8 S* hfrom faster_whisper import WhisperModel

model_size = "small"
3 h% Y! I5 J! R/ e4 G5 ?# }
; w/ ^  O2 C5 i, h% Y) u) @model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
" j# L2 u) K  e  {& K    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
+ B& M; X' p2 @2 O- o! @    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
- z+ A' q! n0 h2 L
4 V, P2 ~) L% E; g8 z7 r4 |% vfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
% q4 B) L2 ~) Z7 k  W! S; f+ `
" G. p' ?, S  ?' F        for word in segment.words:
9 m& |- C" F* H; S" z: D4 `               
----------------------------------------
. O) J! `% v1 E6 S! u' U. r
, o# W1 U9 `+ B# d+ v% f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 l& H& j1 w5 M3 V" a1 I2，segment 本身是很粗糙的，做字幕勉强能用。
% K2 F% ^  C! k7 f9 X3，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。
( ]$ `" C& _3 e2 I6 x" K4，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
: v( q5 e) r( ~$ G- ?& K  H5 y比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
. K% y3 G  B( P1 T* e5，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
' r) ^0 ~- [, ~; q6 M: D" r其中
+ W& {! B; v9 T6 z1 ~8 Q    word_timestamps=True,
. r! A% T# W; z# Z保证了你能拿到 word，否则是拿不到的
. Q. `' t0 v( X% ]* H    initial_prompt = "Hello, welcome to my lecture.")
% @6 }& q4 S6 Q" d4 v保证能尽可能准确的断句 punctuation，但是不是决定性的。
+ G" ]5 \) [' p其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
, Y2 w1 ~, ^1 U( b+ x. @152 def transcribe(
# S! O0 F: ]2 K) [# O: O, {. S. ?$ `从源文件你可以看到是支持中文的句号断句的。
, |7 a& q1 s& o
5 c( I6 @0 V* l  m9 M/ |! I6，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。
* C6 x. ?' V! R5 M% V0 [/ P- u: G9 h8，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。
+ V; l9 a* S2 J$ r* ^


+ V2 Y3 l6 S2 L- |" E0 K+ X

nanimarcus

多谢各位榜爷打赏。