faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

5 x" P# p8 ^" [% z5 m; b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。
+ K- l! u2 s3 U# R; t- i; O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。
0 x" _( _- O; _; J, x' \( a& Y----------------------------------------
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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
9 q) q3 u8 \$ P# h: O0 C2, 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
; J, t5 t, r1 s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。
& f+ U  z' z+ N' c5，pip install -U openai-whisper
2 Z/ s; s) Y4 y" d- T( I! u/ X& H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。
) }6 q4 J$ Q, ~- a9 W' g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：
+ U: l( ^9 c# S+ c# h5 m& Z4 L
  j( c3 x5 O7 J8 g5 p( @! [----------------------------------------
+ Y% R  V, s8 b7 N% \% l5 G
from faster_whisper import WhisperModel

  U. _) k8 P2 i, ^/ kmodel_size = "small"
* a  T0 ^9 \2 f8 c& I/ `. z
model = WhisperModel(model_size, device="cuda", compute_type="int8")
5 |3 u9 [7 D# ^1 [1 [' @) C
segments, info = model.transcribe(
! _+ f- Y* u, l! `8 q/ H1 N# h    sourceFileName,
& p6 g) p" T, g/ |. I    beam_size=5,
    language="en",
    task="transcribe",
5 O% i# |9 g, @2 o2 y    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
5 S# m% ~% j$ }; {& t7 M    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
8 z# ^* G5 w1 W/ h& r
, W' @3 ~: C; r8 \7 t8 I        for word in segment.words:
/ `: a- n9 E. Z               
! {  N  \" h: y9 d0 G5 |; L( w! G----------------------------------------
3 x+ D9 Z7 `9 O' l- a+ e
. e* w' f& M% Z0 j3 J9 b% }! e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。
  D! {9 r; @( M2 h( s/ J! h* r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。
$ D# h, H. h4 }+ z# Q, {3 |2 q3，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
" n" @  {1 F7 y% R比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
# v4 k6 p5 `& G! B" q- T5，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
其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
' Z" E# B+ [; @    initial_prompt = "Hello, welcome to my lecture.")
3 w5 R4 [# C7 K  z' W/ n/ R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：
https://github.com/guillaumekln/ ... isper/transcribe.py
+ c) ]4 N/ L: i! i* T1 ~152 def transcribe(
  Y% M" [. F  Y5 \( Q从源文件你可以看到是支持中文的句号断句的。
0 H: q$ c: _( c- w' ~
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。
! \# U/ u$ @- M0 h$ d# m7，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。
- `* _4 @7 ~3 l& d1 b( @/ E8，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。



, @, |# Y3 t, c! G+ @' U

nanimarcus

多谢各位榜爷打赏。