faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

( n6 Q+ p2 x0 l3 t* _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。
$ D( N( Z% F6 ^  w+ |----------------------------------------
% W  R' w  A4 |! s/ \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。
- u; C: @3 Q) b* ?; ]! w$ x. b6 v, x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。
7 T* i( |; k' O  y+ b9 {----------------------------------------
https://github.com/guillaumekln/faster-whisper
- u. ?' |9 h6 y3 i% W' x+ X" K安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
' l# l/ ]/ T# n1 G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
* j% g: k# [% @这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
% C& h7 j/ Y8 Y8 M8 ywhisper 我用的命令行，faster-whisper 我用的是python。
9 v3 j9 O' H& d; }# X  @9 K9 S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：

$ h! k$ R: G; H; [6 n- Q( j- e% `----------------------------------------
' g6 J: Y) X. {0 Z# }, d- a
from faster_whisper import WhisperModel
2 G1 f( ?# c. x/ d
3 z/ p# d1 [" _$ Q& Cmodel_size = "small"
* Q  O  \; Z" K1 z
9 O1 [! m. X# z* O% I, ^8 amodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
. z! r; k; c( _/ `    sourceFileName,
    beam_size=5,
+ ]  o& o- `, n# ^' o: a    language="en",
    task="transcribe",
    word_timestamps=True,
6 k: g) Q* L- g6 T5 ~# I    initial_prompt = "Hello, welcome to my lecture.")
% b, o# O9 l9 y( ~4 G# W
" T0 p# X! r* @- \+ O% Afor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
2 ^6 _& N+ q% |4 L$ E0 k$ S* e
5 @' {  H3 S/ H: W+ ]        for word in segment.words:
3 b9 }7 k0 I0 a/ l, T               
----------------------------------------

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。
+ N) ]! [' U. C' ?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。
& M6 {" u' X, ~1 c3 m" b5，model.transcribe 中参数说明：
/ i4 S' r$ B2 y; c2 }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
. h5 Z5 R$ K4 w  g    word_timestamps=True,
1 n  W) O& i1 p. `$ M" u保证了你能拿到 word，否则是拿不到的
3 J0 l! x7 p% }& x3 u5 g    initial_prompt = "Hello, welcome to my lecture.")
* D  @: @+ c+ [' _保证能尽可能准确的断句 punctuation，但是不是决定性的。
' T7 A' Q: ^6 {) s8 K. l; p其他参数可参考源文件：
) ~( e( Z+ Y7 s4 t0 y! t! dhttps://github.com/guillaumekln/ ... isper/transcribe.py
2 Y1 Y0 r) o! z/ l  p. x+ _152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

% t/ N% y$ G7 H5 P: U6，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。
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。
. ~! K+ I- X5 y3 l: i. r

. L0 g9 k- `4 k* S: w% u0 T

nanimarcus

多谢各位榜爷打赏。