faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

. }, e8 W0 v" y, U4 m4 z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。
4 a& [1 J: v3 S0 N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。
" `4 O; \: x' |: V----------------------------------------
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。
8 H2 D2 e' v. H+ k* F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。
# l) A* z. Q; r! a----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1 W1 b/ `; A: J8 z6 e$ e# O1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
* ?& ~8 s  t/ T+ y, |pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
% @$ Z& E; g0 R) G# @% c' U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
这是向whisper 致敬，可以不装
. p4 G6 ?. y0 y8 G! r, D, L. Y6，pip install faster-whisper
" x' z$ Y; n. V9 R% R9 M3 @----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
1 j5 N6 Q6 v7 @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& x% k/ D) W# S# xfrom faster_whisper import WhisperModel
0 x& V- Q! P7 L( c- L, I
model_size = "small"
& |: `1 y3 W8 g+ N* _
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
  M) b& r" Z* S  @! u; q& E! f    sourceFileName,
    beam_size=5,
: P: [8 [2 P7 g% Z    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

6 k3 ~  N7 `6 {9 ^3 D0 W1 L8 Dfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
' R$ l, @$ ?9 G* N1 p2 v               
----------------------------------------

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。
% Y" t* t) B6 v5 L/ \+ Y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。
5，model.transcribe 中参数说明：
- Q$ {; w/ T5 s7 q& w1 N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
# ?  H6 y; v* X# m$ C) `) h    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    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。
6 T! B- ^# ~& c, m, Y其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
) I7 f  A; K3 j( D152 def transcribe(
* a$ z$ G; b& x* n3 o$ C3 _' Y从源文件你可以看到是支持中文的句号断句的。
' `& w/ G8 X* K# O8 E
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。
) V! m3 M& g8 Y5 A( D8，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。

, O; @" b7 r# E
* ~) [0 v6 J6 Z+ q4 \, P6 J( B
# u0 y  H: P3 z( q9 G8 E

nanimarcus

多谢各位榜爷打赏。