faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

0 K+ d8 o1 g. }9 \% M: A
4 f$ p( B+ f1 A& r9 d; R! t' Y. U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。
% W, R. _, V- ?0 z& {2 U; e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。
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。
% k& ?& _1 V0 [1 Y/ k----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
  t6 h; A* ?: O' G9 I( x2, Python 3.10.11
3, CUDA 12.1
! K! V! O1 P" o% ?" M6 Q/ ~/ |  [4, 在python 3 中安装
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。
5，pip install -U openai-whisper
# n" f& Z% P" y  ]4 n% Q1 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。
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：

. [4 X5 O7 ?- G, e----------------------------------------

from faster_whisper import WhisperModel
6 {4 d: I: L1 s. t7 r, M. I8 x0 A
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
% G% z  h- K3 t, V7 G    initial_prompt = "Hello, welcome to my lecture.")
6 w+ j8 v- K+ l! W
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
' T' e; N$ P# [1 v$ ^, p8 `8 b, k% `               
----------------------------------------
1 G  r/ K4 N6 `" J5 E4 @
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。
  }. E* \) L) H) B& T7 s% X# g  E. G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 ?$ B' z- O9 A4 \3 M8 j3 U4，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
  O9 z* U6 }$ o) a* f( j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：
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
& V  M# k+ p, ]    word_timestamps=True,
( F* A$ p$ p, [& i; @4 e3 _& t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。
: |- C$ L* ]" V: O# \& C其他参数可参考源文件：
0 ]6 R  J7 w3 n4 uhttps://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。
- ^. w% |8 I/ i) [; J- G$ I! 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。
* P8 G4 {8 I7 k$ P5 x/ F7，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。
% {, k! [# v% ?8 H! X4 W$ I. c8，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。



% H( V! n( T6 }4 s' \9 }

nanimarcus

多谢各位榜爷打赏。