faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

$ S) H5 m5 S- ^% x/ p7 J6 p5 b4 B9 T0 m3 T
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。
' ?5 J. u3 t3 ?: t: R# o. V----------------------------------------
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。
7 _" z0 x  ]  w' {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。
----------------------------------------
9 u+ e2 i. O: f  {8 O. k4 _0 Zhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
! k' E- f; z) I: @4, 在python 3 中安装
$ Y" M( F- m" fpip 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。
$ w! I% A+ v% `* o% x+ A% \5，pip install -U openai-whisper
* m4 Z0 N' {6 E; c0 F" d6 k这是向whisper 致敬，可以不装
/ o6 w$ P) ^: I/ F6，pip install faster-whisper
----------------------------------------
# u: @2 K) a5 qwhisper 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：

8 u# c  W5 W5 y9 [----------------------------------------

9 ^* S) h' r% T' a! y$ ~/ pfrom faster_whisper import WhisperModel
. b7 f, a* @' l& M" T4 W! m: Z# F: H
model_size = "small"

9 `, x! A4 I- u$ fmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

* T  [# W+ q& csegments, info = model.transcribe(
! M( I5 U2 Z* e# e  L3 W    sourceFileName,
' B+ u6 G% h( s) V, i! A" k6 I/ K7 D    beam_size=5,
3 U+ p! F/ y  O) W: D: B    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
- e7 X; ]* [2 X/ `7 F$ d# f( A
0 X4 Z- L4 h  _# O( ?- j$ ~        for word in segment.words:
! b6 ]; V9 U* a2 \: [7 N               
7 R5 i, ?9 I: `% V& \3 N----------------------------------------

0 U4 N' M  c# h, ^! \# c+ k3 N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。
2 F) D& s1 t6 \- C1 k3，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。
; u- ~5 x5 M' T9 L6 ~0 |; v* [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。
- O7 b5 e$ e8 C% I! L/ A5，model.transcribe 中参数说明：
0 T/ K7 x, }* Z  v' h2 Q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
) a: V1 m1 o0 \3 O' h" m  J6 {其中
5 D+ J# q/ z& ?; M6 e) o5 _    word_timestamps=True,
6 z! I( g" H* `# G, C1 O保证了你能拿到 word，否则是拿不到的
3 h4 m2 }+ D* V4 d- G    initial_prompt = "Hello, welcome to my lecture.")
8 z+ t2 n3 b+ e  L( t2 h( A, U0 N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
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
6 R4 Y$ M$ w8 V# t0 `; \- D/ w$ q
4 O% W$ W, v- {1 V3 P* @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。
2 H4 ]: B- u0 B  a8 }4 }6 c# b; }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。

+ G8 e" I# C2 F2 B: ?5 D2 w
: ]3 n5 r. I) s# U$ ~0 f

nanimarcus

多谢各位榜爷打赏。