faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

0 G! Y% W; V/ C' x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。
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。
# j6 u# s, ~& t; {8 o5 K3 _----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
# R- ^1 v9 B1 }3 M$ M1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
7 F2 S3 |% h6 q3 R( ]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。
4 z) I  p) i+ t4 `5 o5，pip install -U openai-whisper
" x6 y% Z: S6 K5 O4 A: T这是向whisper 致敬，可以不装
6，pip install faster-whisper
* X8 W* }8 S  h$ w, ]8 I0 o----------------------------------------
# I2 Z1 d1 F& J& d- e* b7 s. kwhisper 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：

* I( _& P5 q% Z) R0 m! p0 r9 @----------------------------------------

# [9 Y& @: l0 j. W: w* ffrom faster_whisper import WhisperModel
9 U* m. c7 l) Q4 C$ j
: D+ _) I- A8 Gmodel_size = "small"

9 H1 ^. y* l' q8 M0 f, d/ `4 Imodel = WhisperModel(model_size, device="cuda", compute_type="int8")
' d9 H1 h0 \# [. t( p
" L% K+ e  D" |! k" ?segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
: p) s( R) p; \6 x+ i1 [2 `    task="transcribe",
, S- \9 ~8 R. a% S/ {7 c: g; L6 ]    word_timestamps=True,
8 U6 e* q1 t, r0 N    initial_prompt = "Hello, welcome to my lecture.")
4 Z* f' i1 Y' }2 d
4 S* ], w! B4 v7 n0 k3 H) jfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
# W* K8 G& B6 |5 x7 j
        for word in segment.words:
% u3 G! r/ t# y0 A) a" ~               
& h' |  m5 {; h8 ?+ T1 ]/ N----------------------------------------

$ D7 o% o" ]7 F% D% Z代码说明：
  Z7 e' M7 P. l1，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。
0 x0 }7 U- j) @) y; e5，model.transcribe 中参数说明：
; t% j' G: Q/ \' D5 E: ~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
  }; n+ J/ ^: Z4 E其中
    word_timestamps=True,
8 q6 p6 r% \% _* Y; h% t保证了你能拿到 word，否则是拿不到的
! j4 @! c- s# p    initial_prompt = "Hello, welcome to my lecture.")
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：
- N/ m5 K$ I2 R3 w  P7 qhttps://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。
% [  u% U; Q8 z0 B5 R2 a. Z
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。
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。


5 I" S# J% A/ ]+ h4 g" t6 k" ~
+ d& e6 L* o4 e

nanimarcus

多谢各位榜爷打赏。