faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

. E/ F" G/ d2 V, d" l0 S1 H1 S8 ^
& x0 U+ j7 R& f& ]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。
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。
----------------------------------------
1 i( y1 A: z; Ghttps://github.com/guillaumekln/faster-whisper
" k3 s: K5 H9 t2 h, E, A安装如下：
( ~: r! [) v& V4 ^$ ^: M# V  Q5 T1, Windows 10
! W7 r0 a( I  i( U2, Python 3.10.11
& R  t6 V: z$ N6 E$ R/ ~3, CUDA 12.1
$ T" B8 S" X4 i9 O1 h$ I% ]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
* C) O" G9 e7 F这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
7 F# A7 F) o5 H$ n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：
9 x  ^4 G- s. m
----------------------------------------
! K  L4 O5 ^% G! ~, M+ D# l
from faster_whisper import WhisperModel
7 P6 K5 d& I1 Z0 ~" n
1 ~1 C. Z( Z+ M& v- ~model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
4 a1 F0 X" O- |- w0 E    sourceFileName,
$ E3 w1 o1 i& @3 `9 x4 e9 K% S9 h    beam_size=5,
    language="en",
' R& I3 L2 i% i9 e    task="transcribe",
9 P5 \! x7 o( r. ~5 }    word_timestamps=True,
' {" f# y& B$ _& s/ `- Z    initial_prompt = "Hello, welcome to my lecture.")

/ n2 a1 ]: @: H  c& o& P/ W/ Xfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 f* l5 @( l/ s1 b9 G* S' _
        for word in segment.words:
3 ]/ y2 V+ c8 s( M               
----------------------------------------

代码说明：
/ f6 }( U; t, [7 c0 E% o' w1 S1，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。
2，segment 本身是很粗糙的，做字幕勉强能用。
1 J9 S4 x# s( o+ E5 Z6 S0 o1 s3，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( N- {2 X( Q! N3 w1 p8 T( g; r4，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
- z# D; N5 B6 U  y* ?+ G+ h& q比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
$ E* d5 a, {5 n! I/ a5，model.transcribe 中参数说明：
/ Y$ b  @# Q& F" d, \/ n% O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
( |( }" j1 i7 ]) O- B  z3 ~. M( ~7 q其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
: E. D) P+ O$ U0 o9 H    initial_prompt = "Hello, welcome to my lecture.")
, i( U( B: u$ m* l4 `保证能尽可能准确的断句 punctuation，但是不是决定性的。
0 i3 {( k7 ^! N; y+ e其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
6 r8 N" G: j  O8 p" \/ K) ~152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

6 l  v3 Q$ M) |' U8 p: \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。
4 @" H8 b7 D- ^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。
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。


" x" u! q) n* V# f
, \# ]5 E/ @" q7 }4 Y( w

nanimarcus

多谢各位榜爷打赏。