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。
/ R" I) ]' V# B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。
----------------------------------------
& W  r# ~4 _2 mhttps://github.com/guillaumekln/faster-whisper
9 ~" ~6 ]8 Q5 A安装如下：
, B' Y5 l- [- K8 ]+ I. {1, Windows 10
  n- {5 S; b4 C: l+ Z! X* j2, Python 3.10.11
1 T& y% L. A% m' |& e0 ]$ \( X- M3, CUDA 12.1
4, 在python 3 中安装
4 m+ p9 S5 L6 ^" {0 w7 Gpip 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。
: w, A/ n  ~- ^' S9 g5，pip install -U openai-whisper
1 I" a0 y$ J* c' g3 P这是向whisper 致敬，可以不装
6 h- o8 E( n% H2 @" Q6 u" L- A1 k" o6，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：
" U0 X4 W) S. u0 X
----------------------------------------

+ {( e/ b5 X: |1 Hfrom faster_whisper import WhisperModel
9 L# i4 u* N1 l" P+ Z
model_size = "small"
9 Q6 g7 D6 H5 H) o0 {/ T
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
# ^, \) p7 x' b    language="en",
    task="transcribe",
* g, `* c4 W- o$ a! {  A8 }/ l    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

* i7 b% ^2 o9 I, O9 f, S% Y3 }for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

+ t0 }" ]( e8 w/ h        for word in segment.words:
               
----------------------------------------

3 t; s! M4 F6 j7 p4 m代码说明：
; t4 e: J+ r( v6 }+ N- U# z1，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。
& c5 s7 e. w! S0 S  t  Q3，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
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
- f0 E6 U- b! f$ l5，model.transcribe 中参数说明：
1 e/ N/ s7 o, A  f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
    word_timestamps=True,
4 ]5 @# a' }0 ]7 ?* d8 N保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
# c7 u, k8 W% }, W$ [( _5 T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(
& V+ q6 K. o$ o  m" ?. ^: h从源文件你可以看到是支持中文的句号断句的。

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 C! l* j0 F) n0 U+ h4 E7，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。


9 K! G0 F% i5 N: y

nanimarcus

多谢各位榜爷打赏。