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。
----------------------------------------
2 o2 i7 @2 y5 k4 g1 b0 c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。
: O  Y6 a1 q8 g& M7 i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。
----------------------------------------
% `4 }+ F' S9 v# i. p  Whttps://github.com/guillaumekln/faster-whisper
; s0 _5 R) X! d2 z% ]安装如下：
1, Windows 10
1 Z! p. a  g' D* q1 |- g/ {2, Python 3.10.11
4 Y0 _9 K# }. t" a; Y+ W3, CUDA 12.1
3 c* c, D' ]3 L1 R; f4, 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
8 H0 t. s! `( p4 a8 h7 n这是向whisper 致敬，可以不装
6，pip install faster-whisper
$ m: x  z; c1 E) x$ E/ m----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
) o: V  v6 z$ }+ N& W! s- K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

' W. L: \" }* g" R/ t% q* Z, omodel_size = "small"
  ]& _* z4 Z8 s
6 r3 P, Y, B& B% E5 k& E% K/ ~model = WhisperModel(model_size, device="cuda", compute_type="int8")
* i; N  q8 n$ f" f. J( P5 D4 @
( F, B9 W$ Y$ j4 W9 {5 D. z8 vsegments, info = model.transcribe(
5 h3 x; s% C0 b' d! L    sourceFileName,
' z" n& y2 Y  A    beam_size=5,
9 f% c" G, i" w( j- N3 |3 O    language="en",
    task="transcribe",
    word_timestamps=True,
0 ^2 i, w. H; B) _    initial_prompt = "Hello, welcome to my lecture.")
) _' |( Z% r$ d
for segment in segments:
! w8 V! x  t7 U) _' A1 m2 m# p    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
$ P$ \8 |' \& `+ o  p% Q7 Z               
----------------------------------------

2 s$ f- O( ^1 n' d8 C8 o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。
$ {8 c# o5 d- H2，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
9 P' \9 L. b& r1 Y* P+ O4 U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：
: ]0 A5 c$ y; U% K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
2 j7 m2 ?7 m# O3 ~6 \其中
5 m1 R9 {. u4 w. m2 U. A0 N7 U    word_timestamps=True,
) @( j7 \1 e# ?$ H保证了你能拿到 word，否则是拿不到的
$ d- X7 p, x! N% q    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。
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。
8 p9 b% B0 d3 l1 `- e" a- _
7 H2 g% [" w5 x3 Q4 \, t8 b6，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。
# |$ L, C6 ^% V. z; M( K2 Z) F: T7，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。
$ S4 v0 [$ R/ x( s8，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。
  ~/ s" h: j9 u: g7 J& ^% |8 i


- ~+ t; m* o" I. a6 A

nanimarcus

多谢各位榜爷打赏。