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。
----------------------------------------
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。
: y4 X  M3 s' k! N+ f4 O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
) d/ ?; Q0 p1 P# f/ e' m2, Python 3.10.11
: z1 l- b! V2 O! ~( k5 C4 J; Z8 s% o3, CUDA 12.1
4, 在python 3 中安装
2 A  u8 C) [, n/ @9 l* _* Xpip 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。
5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
$ H$ z, e& z& Z# @----------------------------------------
* B0 [2 }: c! h; A- d; owhisper 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：

" x! q0 W' v8 V( w# w; n( \----------------------------------------

, F0 E+ u) _& Vfrom faster_whisper import WhisperModel
. z1 O5 O. ~1 e' F
  m# v$ r, x! ?+ g$ Hmodel_size = "small"
; `# f  P* I$ f9 W( ~+ S9 @
model = WhisperModel(model_size, device="cuda", compute_type="int8")
& x: g( w( T& ~' y3 t4 i9 h
segments, info = model.transcribe(
$ a$ f2 x# Q8 P+ m' R% q    sourceFileName,
    beam_size=5,
3 M$ x" B2 U  {: ]) H- ]) D    language="en",
    task="transcribe",
" u& z- }: W% f1 {) b    word_timestamps=True,
/ ?4 ^3 x7 o! {6 s; Q    initial_prompt = "Hello, welcome to my lecture.")

  }/ P. |" d8 wfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

8 R$ L1 D" k) G, X9 ^6 d        for word in segment.words:
* t2 B8 u' i6 R& ]0 D$ k               
----------------------------------------

代码说明：
& v) _5 a# g' ]2 m4 W2 p+ b1，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。
  [( b) O1 n* K  C7 U7 p- w3 n6 Y6 x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。
5 X* W/ ~) y/ \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。
+ A  u( Q7 T+ n( {8 Q; V! w5 R" p; Q5，model.transcribe 中参数说明：
& k" P# p3 k& t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
) v# s) K5 Q5 c其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
& G% |6 G. h' A- t4 t5 g6 z# G- I    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。
' d& U  n  F6 G4 v  Q4 Z8 k5 H其他参数可参考源文件：
5 {$ u; Q% Q7 C7 b8 o4 jhttps://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。
: ?7 W1 t6 B& Z' f( d7 p8，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。

# c9 ?5 b8 \& @# s( |, O) R" _

nanimarcus

多谢各位榜爷打赏。