faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

& \8 X- x7 D" D# 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。
3 t, q3 @+ O: Y( J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。
/ d9 H$ Y. m8 D9 Y) o. P+ B8 @----------------------------------------
https://github.com/guillaumekln/faster-whisper
9 z5 n; e, [7 @* [. F安装如下：
1, Windows 10
2, Python 3.10.11
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
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
这是向whisper 致敬，可以不装
+ f  |  n$ ?6 P; r, G6，pip install faster-whisper
  B" \( R% s4 w# X& |; l, H& c----------------------------------------
! }7 q% c6 G  D8 y3 q2 u( Awhisper 我用的命令行，faster-whisper 我用的是python。
, P6 H9 d4 K$ L) r& z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：

----------------------------------------
4 O2 M) G2 y+ d4 H! |: a  k
: q. b; M% E, b& @from faster_whisper import WhisperModel
/ \* x! G. Z' o& w
model_size = "small"
( j7 t/ R% n) C
# k, ^& ]) L" D$ W8 d* nmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
: e8 ^/ u0 t. e, C    beam_size=5,
2 S9 h2 M8 ]. s: _, `: Q6 s    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

: ^. I0 L  b. v2 n/ A) P, U6 [1 Xfor segment in segments:
5 W7 W( {& q$ I( [8 ^) R    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
0 R9 _2 Y  i/ J' e8 {----------------------------------------

+ u. x6 F6 {2 }  @, I+ T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。
8 `/ s' R& H6 o2，segment 本身是很粗糙的，做字幕勉强能用。
" o5 t$ `3 s9 _4 N. X2 ?( v2 d3，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
$ U6 @+ ^5 s7 [* u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
, G; U3 k5 [, n    word_timestamps=True,
" [$ h* h, \2 B3 J% K- }% K, u保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
. P4 H: \+ r) [5 y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
3 g9 c: s" t1 h0 F9 a: k3 o7 I152 def transcribe(
8 e) }) `7 c% z' v  i# F从源文件你可以看到是支持中文的句号断句的。
; M; u8 U6 D+ x8 B( n
, q* A9 z& Z; {; a. T6，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。
" d- X" G1 \' t0 ^" Z1 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。
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 m* K5 M2 I2 ^8 x: ?

nanimarcus

多谢各位榜爷打赏。