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。
----------------------------------------
9 \- K% c7 n; u5 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。
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 S) r$ Z2 e; }" X% R5 W1 K( o! h----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
( i+ R' X9 n0 {! Q  v1, Windows 10
2, Python 3.10.11
" J9 j# N5 T3 N/ k. w7 {3, CUDA 12.1
- s4 |; `/ k- A5 ]# @! C, r5 l4, 在python 3 中安装
* H; _: j' a" w7 y. L. `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。
& X3 n7 H& o5 O& I/ Q; Y& |5 T5，pip install -U openai-whisper
3 ]8 c3 o5 C+ ?6 }; j$ u这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
: l* |2 {9 L; w! hwhisper 我用的命令行，faster-whisper 我用的是python。
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 ^, a4 h3 W( u; W
* x0 @6 K7 V. [8 s; y0 H1 w8 o----------------------------------------
" n% d9 c+ v+ [, l8 h  i
from faster_whisper import WhisperModel

model_size = "small"
- `. j- q& E' f8 t& W) o9 R
model = WhisperModel(model_size, device="cuda", compute_type="int8")
: L% ^6 m8 ^* j! j
6 |5 r" [5 `" f5 Wsegments, info = model.transcribe(
. b# }$ Q. B8 T8 n) o    sourceFileName,
    beam_size=5,
    language="en",
" @, P1 b! u" o    task="transcribe",
9 z8 t! c* T5 k$ ?& u7 w    word_timestamps=True,
4 s2 e& I# F, f" E5 F" N    initial_prompt = "Hello, welcome to my lecture.")

" L+ _# `6 u7 m$ r* _for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
+ T) `6 K2 w8 {6 K- F8 S# }
- {6 `# d9 [8 H( Z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。
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。
: t& y+ D4 Z( d5 {- N8 u5，model.transcribe 中参数说明：
2 s( j  k! V1 {! V1 X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
0 ~# g$ m! c, N/ [6 }; A9 c其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
& i0 q3 M8 p8 T! \    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：
# d6 l+ ?# |7 i; W; ?https://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。
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。


3 l  g; m2 P8 A, e4 H- z  ]0 J9 R$ ?

nanimarcus

多谢各位榜爷打赏。