faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
$ z9 ~* G) m' ?9 }, _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。
----------------------------------------
$ G( S4 e: e4 z' \5 L: P. `https://github.com/guillaumekln/faster-whisper
3 C9 z! H  X1 i  y7 L安装如下：
1, Windows 10
4 k* H+ ~; S+ \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
7 w/ }5 R$ H, T% `- A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。
& p+ d. w% r" D0 ^. A5，pip install -U openai-whisper
) F5 r4 _" J  R1 a: U. H9 V这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
whisper 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：

----------------------------------------

1 C1 j" R% G( X( q& o/ [9 Afrom faster_whisper import WhisperModel
3 a, ?) a. J4 S! ^+ n; m8 P
5 b. b1 z# w$ j% cmodel_size = "small"
0 z, ^( w$ g1 O0 g
1 ^4 L5 V+ x) L- Amodel = WhisperModel(model_size, device="cuda", compute_type="int8")

0 S2 c3 b9 t+ p; ~5 n- g7 ~segments, info = model.transcribe(
- w- {! @1 @- w    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
' ^& l/ y1 o7 w: q% j$ e: L! b' ?7 x    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
+ y7 _* Q& n5 p3 g% ]6 {! X
$ Y# ^7 U. h5 n1 A  _for segment in segments:
3 R% x4 J  F% \: z( [% w    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
9 l% d9 d6 I* U! `
        for word in segment.words:
               
: P5 q/ M1 x+ }  H9 v0 u: X- Y----------------------------------------

9 D+ a% E% J: c3 B5 f2 H' t6 H9 X' H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。
/ x4 D* f! _. \: z+ r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。
* a" K( m& f% P3 ~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：
0 |1 C% m3 O. v) R) K/ n. s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
- q" ]( U7 t' k其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
2 i( t6 p: \) f4 B. m1 J& y$ p3 U    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：
https://github.com/guillaumekln/ ... isper/transcribe.py
2 r1 J7 V3 z! \" G( @7 C' O& O# M5 J152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
; @" p$ m! j5 |: P  G4 i
, ^  X3 {8 O7 S9 v- b6 g6，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。
: Q+ v; \/ l! z7，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。
2 a, K+ l. a8 {, @; p; Y) }* M
2 N/ i- b7 ^* t0 d2 A* J
$ }7 E7 Q6 H' P6 b7 x4 N: X
; s5 l% Y2 c7 V  v$ C  j

nanimarcus

多谢各位榜爷打赏。