faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

4 H9 k7 I9 }! z$ N$ ]4 E
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。
----------------------------------------
6 `% S: I& `5 p( X9 k/ x! K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。
----------------------------------------
2 R7 a( c* W! n% G8 }https://github.com/guillaumekln/faster-whisper
4 e' c; B6 m, J, f安装如下：
6 f7 t: y" S6 F1, Windows 10
' z6 q* i1 ]  ]( Z) @2, Python 3.10.11
7 [/ g; G7 S& a" |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
: @* l0 x3 K% H4 B- E1 |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
* ]0 @  c; B% }4 K9 N8 \' `1 }/ @这是向whisper 致敬，可以不装
- O% Q  }) M3 v. F: S7 l6，pip install faster-whisper
# |; `2 v: D) V% b% E# j& u# ?3 f----------------------------------------
& r3 v3 M, J( Q( Nwhisper 我用的命令行，faster-whisper 我用的是python。
) H( o- Z0 t: W6 I. e8 `# m  E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 ~9 ?( `) }" t4 W" b3 A
----------------------------------------

0 G* W  ~2 \/ B- cfrom faster_whisper import WhisperModel

model_size = "small"

" a7 ?1 P2 y5 t! t2 ^! omodel = WhisperModel(model_size, device="cuda", compute_type="int8")
! k# ^( f: ]: b3 y
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
' N; P/ X5 n' v    task="transcribe",
7 V; c. Q( f/ x1 ]( i& c5 k  |    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

& c, V4 X& Z; ufor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
  p% ~# u* P0 u6 S. O3 X
& `9 D3 ~& q. ]* U; @3 w- \代码说明：
: m) z9 V; c) A+ d5 c' ~/ u& R3 r" \) O! S1，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。
8 V4 J: W  K5 w* B! Q% G* V3，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
8 T5 V0 C, `9 F6 a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' \1 y3 L5 [1 m: a/ l# G4 e3 M5，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
4 E4 B  n, b. B, }0 N, D; ^其中
    word_timestamps=True,
! j( A0 r: ~- a7 P保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
/ H/ I9 n! c) s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：
' E- \# @0 D" X1 z. h7 }4 j' Mhttps://github.com/guillaumekln/ ... isper/transcribe.py
; h: [) H' m8 i2 @2 J152 def transcribe(
$ M9 f- J5 o  ?9 D$ `/ c8 g% i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，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。
5 _3 @- V" d  |; p3 D+ V: O# V8，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。

nanimarcus

多谢各位榜爷打赏。