faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

# V  P+ s5 s( q" x) j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。
5 I1 Z" z* W  S8 L. ?  z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。
8 ~! z: G0 A7 w. Z----------------------------------------
8 ?& Y8 ~6 m1 @1 k  L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。
: h" `, V* i8 V2 M5 B9 y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。
+ M* `# ^$ O" B: i----------------------------------------
" t% G- H1 O( N4 _6 x5 `3 }  Lhttps://github.com/guillaumekln/faster-whisper
7 B1 X5 p$ Y+ ^  I3 o8 T安装如下：
0 p# X2 H8 T5 D# @+ `3 U0 [/ ]1, Windows 10
; N/ t- i$ o7 n  c6 y& p3 b  i9 O8 j2, Python 3.10.11
3, CUDA 12.1
6 U& |8 a, S7 y( H4, 在python 3 中安装
7 l9 \, W' _& O+ p0 |! ^8 G3 u& ipip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
! S/ ^( M% B1 i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
% d( R" z+ q* `! t! {9 m6 _6，pip install faster-whisper
* K. I+ [5 [4 C1 \9 K  I----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
  p" T) Y6 U3 S2 X1 E" j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：

----------------------------------------
: @8 U3 |5 C" m5 E+ b3 n7 f0 h
+ @6 R# U1 n! q. E" Afrom faster_whisper import WhisperModel
9 ]1 A9 I$ l) w' g' _8 N" I! y
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
; ~8 s, R+ C: W, J! r* C
! C/ T. ~8 W% f* A( qsegments, info = model.transcribe(
5 K; Y& D# i. M    sourceFileName,
    beam_size=5,
( @; I! g: b+ t: h' _% a    language="en",
    task="transcribe",
    word_timestamps=True,
9 n( r& ^8 x* L" n) r0 N6 N: O    initial_prompt = "Hello, welcome to my lecture.")

1 ~8 E2 `- d( P0 O2 [1 {& Y- Kfor segment in segments:
0 z8 `% R4 n1 U7 H( p    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
6 s. W3 U& p* ~, [6 r----------------------------------------
6 \: o! U5 Z% O. F; t- v
; T7 Y7 z- E/ Z( ^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。
# `1 r) S4 C. H$ g$ @3 o2，segment 本身是很粗糙的，做字幕勉强能用。
" _1 a4 `: u: ]3 B3，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。
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
其中
: w7 Q1 B* q" _. o7 Z5 b    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.")
6 y; e% R+ }# k, P. }保证能尽可能准确的断句 punctuation，但是不是决定性的。
# J! K* B4 M  e9 T* q1 L4 n2 l  g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。

4 S, e/ [4 h5 y% V, K6，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 ~) R; ~1 N4 y7 G6 }8 R) j& m$ X7，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。


4 Z1 v" E8 t: g8 @% e+ v
5 d6 W1 n$ f. |* O8 T% l) S4 p: c

nanimarcus

多谢各位榜爷打赏。