faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

; F- R# ^" f5 p& }
4 l- Y, r; {9 O9 D; n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。
# ]/ h2 Y2 W& v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。
% U: e( K1 T4 N+ k8 u8 b9 u3 r----------------------------------------
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。
----------------------------------------
: Y6 J% t- c9 L; Ahttps://github.com/guillaumekln/faster-whisper
安装如下：
2 b; l9 U! a! U. M5 P1, Windows 10
2, Python 3.10.11
- o+ I# y- M! r" H( H: k3, CUDA 12.1
4 Q( s8 T' f. \, }: r4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
* [6 |* ?5 v  ~& ^* ^. X3 H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
6，pip install faster-whisper
! I1 N0 O$ m$ O. G; ]% h----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
" Q1 b0 ?9 G- Q8 k+ O4 z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：

----------------------------------------

from faster_whisper import WhisperModel
# z+ }3 [$ n9 c+ H5 T; D6 R7 P/ ]" V
model_size = "small"
+ M" j0 T2 J5 u# [* K/ v2 A4 O
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
" q2 ^* ~+ b( ]$ b    beam_size=5,
3 R' A: B+ p- _* p6 m    language="en",
    task="transcribe",
5 D, U+ L4 C# Y# v$ `* Q! k6 u& G    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

- v) A* Y; K4 Z, ~3 ifor segment in segments:
  p. J1 `5 B/ F0 X+ F: a    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

( V: _4 \* g& u' e/ {  x% c        for word in segment.words:
$ E6 g9 Z0 L/ @. C" Q               
% m. Z& R: J8 e$ @' u----------------------------------------

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。
* f- b' O' a, J2 d' ^; |2，segment 本身是很粗糙的，做字幕勉强能用。
. [$ O9 b% g6 Q4 |* s' N7 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
+ t) J; g  o7 C5 H7 r7 K5 V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：
$ t% |; Y! v5 H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
4 `: A& K$ g) `. h) W5 Q/ |    initial_prompt = "Hello, welcome to my lecture.")
( T1 l0 g9 O3 p' w4 k- f( q1 E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
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
, o% w7 f5 r; @# N4 S, b
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。
3 t6 ~3 S1 V* t* t9 M4 w0 t" h8，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。
4 {% m6 C" n" O0 m$ t$ `

) y7 `* f! |6 L+ u7 g( |" P
* g  t4 `& I3 O) z, f& l

nanimarcus

多谢各位榜爷打赏。