faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

0 p2 z; j6 i& r2 B0 e1 v- a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。
; R4 M* P: }8 w) I$ {  y----------------------------------------
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。
1 y; k& M0 e( M7 I6 ^0 J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。
- O5 q3 P5 Q' @----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
- T) d  m+ W- `% `1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
* B' D# {) i; j+ A' [pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
/ T1 U; \% Y. E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
0 H  S, v" ]+ v5 g6，pip install faster-whisper
----------------------------------------
  l$ i; M  O2 ?- F; O7 `$ h8 @whisper 我用的命令行，faster-whisper 我用的是python。
  t' G2 R$ N( _/ u$ n& H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：

2 [+ ~9 m- D3 l----------------------------------------
, \5 t+ B* @4 i) U% p$ v9 s
from faster_whisper import WhisperModel
4 w8 ^: V& h# q: [
+ C( _* X6 L% @: U; s& I0 n0 [model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
1 l; J! O7 D  {9 d! Z
1 ~4 h7 u# g- f5 y# M( Z5 hsegments, info = model.transcribe(
    sourceFileName,
  w& T& `  x2 G: T. G9 `( @& D    beam_size=5,
    language="en",
    task="transcribe",
( P1 ^( W# B7 q" J' |: p7 ], r    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
: l4 o. N8 x' K( d2 M8 P    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
. x' w- K  s7 Y% @. j! C& k. @
+ `; v# G  }' Z/ t  I        for word in segment.words:
               
----------------------------------------

2 e4 z4 `4 W# a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 t9 k: T7 f1 n2，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。
: W. y8 d0 x' {5 F! I4，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
1 G/ u# {- X5 x/ i- E2 E( s( B! Q2 e/ R比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
4 D2 V  B' C' @. _; }5，model.transcribe 中参数说明：
  P! ~+ c5 V% M9 \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
7 Y- G( R6 u+ w5 A    word_timestamps=True,
& G8 ~& h& A7 W0 M# t; i/ X# e保证了你能拿到 word，否则是拿不到的
    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：
  q3 d! v8 D' yhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
. T( s! @$ R1 ?+ j% b" }% Y- j从源文件你可以看到是支持中文的句号断句的。
- z2 Q* b3 W: n2 w3 W0 Q4 t
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。
1 h1 S6 L; [3 p1 k1 ~" J8，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。
' h7 N# c& l2 L/ _
% y8 @1 V. ]+ g8 y* ^" O

+ y9 P5 s$ A  q) h- U- u' c

nanimarcus

多谢各位榜爷打赏。