faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

7 S, N8 p7 F1 B0 E
; B3 s" A; s7 T' a# t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。
' ]+ z! ^9 H9 f) Q! }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。
----------------------------------------
! S( [( r+ B* J: y; A8 K6 O* Vhttps://github.com/guillaumekln/faster-whisper
& J% ^" V& v# ], ]安装如下：
( Y5 F! \" {# F; d* N0 h% D7 i1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
3 b( r) k5 t$ C: X4, 在python 3 中安装
) J2 Y5 T2 _1 X9 w8 v9 kpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
" j6 `2 p- Q; B3 ^7 N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
7 _8 t0 g% }; S+ k6 N----------------------------------------
; N* O; h, P- O0 T  m7 {8 J- Fwhisper 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：
# {/ j$ e. d5 G" I2 ~
----------------------------------------
! `+ f1 m. ^: u. `# b- m
  \/ o2 \/ Y  a3 G- \from faster_whisper import WhisperModel
- V4 |2 E) j. ?9 Y$ @  D
( z8 z0 b  C+ B/ ]model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
- T" C# I, j& B) z2 q6 k
1 Y; ?, @# P) Ssegments, info = model.transcribe(
, E6 \+ w1 m6 p' k    sourceFileName,
    beam_size=5,
# D2 u1 O/ M% L* Q! d$ }  K# g    language="en",
8 c1 X2 F3 a/ P: Z1 V& l    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
; J* A9 Q6 R$ c
for segment in segments:
# H  j1 d! y% v    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
( k! z" N, v; ]0 {8 v3 i6 R! s
        for word in segment.words:
               
----------------------------------------
8 t3 W- O  j7 ~
' I: q* Y! T* z$ D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。
6 i5 f" K4 {4 w: f& ?4 n- ]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。
+ r% h$ Q% N/ l. Y0 W2，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。
) {# r0 W8 f) [: n4，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
( K# {( {# ~" Y! Z比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
8 D6 a0 v9 p' n, u6 X1 z5，model.transcribe 中参数说明：
2 _; `5 j* d  ^4 B6 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
) P0 S' b. W, g2 y6 y8 |    word_timestamps=True,
5 v1 ~6 G; X7 X1 T: R" e& @保证了你能拿到 word，否则是拿不到的
* |; |. s6 t/ R/ E; S5 m    initial_prompt = "Hello, welcome to my lecture.")
' t6 g- q; ?/ S! x7 G保证能尽可能准确的断句 punctuation，但是不是决定性的。
4 ~! c. r; e- w) P- k; O( h0 A! }其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
) ?0 S7 ?3 J4 f/ U1 |/ W  ~7 T152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
& F" D4 [7 C5 H
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。
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。


- r2 O# f: v4 j* J3 H3 Y

nanimarcus

多谢各位榜爷打赏。