faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

9 A6 S& q, b. g; O5 E- M# f$ g
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。
0 a  E9 g/ m! P$ h, ^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。
----------------------------------------
" M- Z& k8 E1 B9 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。
% [0 O' o3 q5 q' Y* \( E& o0 w' F----------------------------------------
https://github.com/guillaumekln/faster-whisper
9 `, v9 n' ^5 \0 k! P* C0 V安装如下：
1, Windows 10
2, Python 3.10.11
% f; V2 z% w* L0 @5 N3, CUDA 12.1
4, 在python 3 中安装
1 P$ s, ]" G! g! v3 v' 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。
- e8 j4 z9 Z8 C5，pip install -U openai-whisper
* K: z, D! u) W3 U# _6 Q7 i) a这是向whisper 致敬，可以不装
; V( Y9 ]# @* t6，pip install faster-whisper
, P  u/ ^$ A0 g$ S$ L& e----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
5 D0 `1 x/ x1 R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：

----------------------------------------
$ K6 m. z& v5 L1 K% o# o7 {
. y2 V/ U3 j; v/ O; rfrom faster_whisper import WhisperModel
, q4 U  K& A8 @" J
model_size = "small"

' M% K$ x. z! m, ^& B$ xmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
+ [* d: q" p, s
4 H# ]. d# b) a  [0 O/ B0 J: B+ qsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
+ E. X( ]/ P, o+ ^4 O' H+ h    task="transcribe",
    word_timestamps=True,
% l' d  N6 t+ Z' }6 {6 q    initial_prompt = "Hello, welcome to my lecture.")
* c" q( C. _5 w) F
: j5 @0 n: k3 l4 \2 Efor segment in segments:
7 ]% N/ o- \' \! D    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
) j( J) e8 i+ R# z$ h# n2 g
4 H  l7 m" m1 B9 D* ^% |4 B        for word in segment.words:
& J. F- u( M# B4 z; U% T* X               
7 R' T; X  ^: l" D0 c. Z----------------------------------------
( X% K4 g$ g1 W$ }
代码说明：
% W7 C, \  `% ^3 O3 G: I1，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：
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,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
( _+ x) D; ]( _3 K! Q4 I( r/ A! ]保证能尽可能准确的断句 punctuation，但是不是决定性的。
8 e! S3 U: a% R* x其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
0 q( `4 V; ?) }- W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。
" q9 f" O) ^0 q$ u! N" f7，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。
* k' n( }3 i& h! E8，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。
- r4 T% v; C: J+ z6 H$ q5 _6 p

nanimarcus

多谢各位榜爷打赏。