faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

, B7 s7 y1 b9 `; G' _4 W( K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。
4 I9 L% \* F; e: \5 t4 c1 e5 ^, R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。
----------------------------------------
2 V3 _9 V  I0 w+ ^# O" j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。
----------------------------------------
4 c. @! A8 q! m. y% Ehttps://github.com/guillaumekln/faster-whisper
. D5 E( H! @/ p! u/ p, P安装如下：
- p% F: N# ]1 b* J# L; m, ^1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
pip 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
这是向whisper 致敬，可以不装
6，pip install faster-whisper
2 k; w  z& ^* g$ A, m) u----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
/ C& F4 ]; `7 {! y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：

----------------------------------------

: n( @$ V) `( z' \from faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
. T6 ]- z" Y' @* u4 L+ W
segments, info = model.transcribe(
5 B+ n) w* q2 n5 n* L    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
* k5 U4 U' w" ~1 K; \: H2 I    word_timestamps=True,
+ M& M8 F4 \- v. n    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
2 d( A/ W& h1 s" ]! Y0 I
( T4 P6 M% p9 w2 X0 l' {4 c, ]* B        for word in segment.words:
               
----------------------------------------

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。
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。
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：
5 |; g( t( f/ [* J: J: l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
! k% I" ]0 X4 S! g* \    word_timestamps=True,
" T2 i: }8 r5 e; T. c5 T# T保证了你能拿到 word，否则是拿不到的
- Q, t) A9 J0 i) l    initial_prompt = "Hello, welcome to my lecture.")
4 Q6 X) W( r+ `3 T. X0 R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
6 B2 B* j! w# w, w  M% v9 s7 c3 v152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

- u& Z4 W" f3 n6，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。

) f/ r# |2 V; I
* E* m* \5 c( r5 A8 e/ w0 ?: J: q# Y) T

nanimarcus

多谢各位榜爷打赏。