faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

. L% u  h) d! Z8 J# |' w" i
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。
. L9 h2 V1 v+ A: K+ ^6 t$ |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。
! h4 ]  n% K# @: @  v----------------------------------------
1 a7 [) p3 \! e% _https://github.com/guillaumekln/faster-whisper
3 H6 F( Y; d/ Q6 U0 b5 x+ Z安装如下：
: ~3 f9 h. X! V1 k1, Windows 10
2, Python 3.10.11
1 v+ `8 z: T7 j- ^! Z3, CUDA 12.1
2 O* H# D/ V6 q4, 在python 3 中安装
, C' e, o( j9 `( D3 H6 K- q' V7 I: bpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
) s5 R0 f- h6 t- r7 G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。
* Z7 _. {0 }# q% C/ m7 o, }% ~5，pip install -U openai-whisper
% b* t' i2 n4 l! v这是向whisper 致敬，可以不装
6，pip install faster-whisper
, J; |8 ~& K7 u3 I: _7 v& H----------------------------------------
5 a# N/ o' Q5 a7 Y8 h; {) y' @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：
) ]. B4 E$ y; _8 ?& K, L( P
----------------------------------------

/ s( Q" y5 X6 ifrom faster_whisper import WhisperModel
* D" j' [  u$ C& l4 z4 j
! p, l4 {6 E7 U, l. K9 L8 Smodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
# |; e0 R$ r( @$ t
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
* c0 a  Q* V) v  P, \    word_timestamps=True,
# M2 N( ]* j; t' L% `8 _& I    initial_prompt = "Hello, welcome to my lecture.")
  v  Z1 c' g# ~- j9 W( }
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
! ^0 w3 [( K& s, X9 a2 P               
----------------------------------------
, \! I% i3 Q2 y0 C% Q0 L5 v$ Z. [! [
. R  h0 e- S0 o' q5 L代码说明：
+ g2 p, r' `2 s& Q! c, i1，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。
$ l  D% s% X9 g6 Y; C& W, E2，segment 本身是很粗糙的，做字幕勉强能用。
1 U. p; j, v" V7 X" P3，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
+ z: b( O, |" C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
! H( X( b3 z" C其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
" V/ e0 ~+ [, K6 u6 o; I0 o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。

- k+ [& A  F$ y- v% ^% ?$ Y6，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。
, j4 w8 N# C! s" B, T6 y+ r7，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。

* O$ |6 {+ c. i' _7 B1 b

nanimarcus

多谢各位榜爷打赏。