faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

2 \9 N" X$ c) {) m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。
* m% y; B$ a* p# G& h9 p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。
----------------------------------------
  a) J, W1 x2 U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。
----------------------------------------
( W, @# m0 `% h" K9 ?https://github.com/guillaumekln/faster-whisper
& w2 S/ N, E5 }: D4 E+ r安装如下：
- R) v/ \3 v, Y" O8 v  e. r  {& T6 E1, Windows 10
2, Python 3.10.11
* H  t" B! f" B$ H3, CUDA 12.1
4, 在python 3 中安装
* L, ^/ u/ E3 f# \2 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
! |9 m* r: e4 p, @. ?* a2 k2 E这是向whisper 致敬，可以不装
7 w) b4 @" R, X- P2 a  ?6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
4 r0 k1 @5 }5 n- \2 G' I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：
% z( j3 h' P0 e# C% i; k
----------------------------------------

1 N' f, _3 h, P9 ?$ N8 t$ cfrom faster_whisper import WhisperModel
' ~5 T6 x4 {" m" S5 g
model_size = "small"
7 t1 K2 V; G2 W
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
+ q" c0 p' D( [9 n; i) o4 D$ l, S' U* r    language="en",
8 j, ?4 K; D" u  Y/ S' P9 @    task="transcribe",
& r) \7 |5 I% K    word_timestamps=True,
1 M3 O  \  o' Z# |    initial_prompt = "Hello, welcome to my lecture.")
( ^- d7 _6 |) S: p2 T
5 @: L0 A& s1 H$ [for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
, F/ u! k8 @( V1 H8 I
        for word in segment.words:
; z+ o8 ^- M" m" ]2 r               
9 b( k. I( U  p6 n( z----------------------------------------

% B3 B" _4 S. n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。
2，segment 本身是很粗糙的，做字幕勉强能用。
% u, d& J8 T0 G' W1 f3，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。
1 X: H) G; I/ |4 I4，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。
2 k) C. e8 t! F) J5，model.transcribe 中参数说明：
4 ~; A! \; H5 w4 R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
9 u7 i/ N3 H: Q) n/ X" g, Q    word_timestamps=True,
+ P9 S: ?% @# G3 F4 \3 E0 v保证了你能拿到 word，否则是拿不到的
: P- A, G0 g3 M6 N' X    initial_prompt = "Hello, welcome to my lecture.")
3 t! u3 f- i/ d) J5 }! p$ ~保证能尽可能准确的断句 punctuation，但是不是决定性的。
2 c( k! ?5 y* d3 v2 o; Y5 b其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
2 g6 \6 B' V0 ~! f' L从源文件你可以看到是支持中文的句号断句的。
2 [6 Y0 y, |) `6 Q5 a
3 r' h( @! Z7 g- ?6 n) B2 |8 @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。
$ S( S) a5 h7 o, _9 z, T. 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。
8，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。



* B0 C- C0 j2 L. W' e& e8 K! `3 {

nanimarcus

多谢各位榜爷打赏。