faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

- [2 F' S; ?: H
. k5 W- ^% f# u3 m" s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。
- j# j. ~5 e3 h/ b( A  h, a- ?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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
/ J; a/ @; Z5 J$ ?$ p! W1, Windows 10
9 G' I; V) j# g. x0 c7 b! t9 O7 t2, Python 3.10.11
% \- [! t. V) N, k7 R0 F, z! H3, CUDA 12.1
- [$ g7 H2 D2 k; W4 f, ]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。
% Z8 F/ ]9 {+ C) f/ f5，pip install -U openai-whisper
. R. s  D2 q- B  {- N; O8 A这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
6 W6 V: ~! J# [& M% ]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：

7 z3 q$ l' w; q1 w: w----------------------------------------
' [7 |4 j6 k5 I- E1 s' X
from faster_whisper import WhisperModel
" B( d8 H# d5 ?( m0 d: F
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
2 ~9 _! B# R- B5 N" |
1 f) ]: F- A) csegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
. h0 J: V& a  s7 `; |2 n6 l8 f    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

* m: G% g( N5 Q" J; A, @3 m: jfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

' c7 S4 Y# v- k  c8 n" F) {6 n* }        for word in segment.words:
) f  F! t. Z( Z& p3 N1 t               
/ ~* e# v1 p( x9 w9 q# n  V----------------------------------------

8 }/ Y5 p6 |& a9 a5 w) G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。
) N) I6 Q# ]+ g( c3 ]/ G4，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
5 ]. W7 |) x2 G比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
- M) q. p0 A1 a2 D2 y5，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
! G8 [* j7 L/ |: \其中
3 |# f6 `( |# V) D    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.")
7 x) J4 h& ^1 Y9 H- ^- x+ r  ?+ Y保证能尽可能准确的断句 punctuation，但是不是决定性的。
0 G) A9 o; _0 W" w6 _其他参数可参考源文件：
' e8 L4 d7 s! W' Bhttps://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。

7 g! {# A3 H# F* z8 l2 i6，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。
8 ^2 O/ k  l( [2 P- Z& q7，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。
; P; n$ W1 O$ H1 v+ \) p


, a  c  m# |  l7 Y8 B4 C- T" T# y

nanimarcus

多谢各位榜爷打赏。