faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

# j3 h! u: y; L( p0 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。
----------------------------------------
8 O% p7 H' g4 t$ l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。
) ?; t5 A, u$ R  S# d4 \" U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。
----------------------------------------
/ J0 @) X) [2 k- l' Ehttps://github.com/guillaumekln/faster-whisper
+ G0 B% F6 R& F% j: f, a/ \0 |( ]) h$ C安装如下：
1, Windows 10
" y6 ?; `3 I3 N" f* ?2, Python 3.10.11
) k; Y0 w1 n) E( U% k) i3, CUDA 12.1
3 h; x% Q" v  v- M* d, }3 H; _4 ^$ O4, 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。
# G9 F. t& w0 y" h8 J/ i5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
6 W, K  H9 j; F# x/ ^8 v- ?! j7 Mwhisper 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：
$ h5 T% I) R: {9 x2 k+ K$ w. @9 y, Z
+ |2 Q& ^3 _- x9 B8 w----------------------------------------

from faster_whisper import WhisperModel
% X8 I  _% A; Q6 C  l' |
% E# }$ y% e. U0 lmodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
% c# T" o' a' |0 p' x0 s2 L. w  Z) b
segments, info = model.transcribe(
    sourceFileName,
" I7 ~& P: L! }    beam_size=5,
8 E& l: `4 u6 ?2 |! p    language="en",
+ C  j3 N7 \- A  U, [( P6 f. b    task="transcribe",
  H: G7 X. l$ K$ x- l    word_timestamps=True,
# B3 v6 [7 O. I' i, C/ v$ l  R! }    initial_prompt = "Hello, welcome to my lecture.")
; I  u  z! X7 s, F
for segment in segments:
/ p1 F- ~' `0 a4 R0 m1 }6 n1 y    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
+ s( n8 V; F: Q" b* {: g- s) L8 M
代码说明：
% \$ {" b& M: n$ Y/ j7 A1，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。
$ m6 a" s7 q" y3 V. J' i8 c3，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。
& D' w  y! c  ?  E4 k% Y9 l$ }$ n4，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
. W  _6 g8 H$ T( A/ p; E3 o$ e7 @比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
, e' F) X$ N% @+ D/ T, C5，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
# m3 _6 h- F2 x3 ~; B3 ]    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
2 G' y2 f3 o! Q    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
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
7 n+ V6 _+ U, x- l8 b
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。
& a( y7 J) j2 D0 ~5 _" K7，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。
6 a) @5 t/ v3 ^& i: i8，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。
/ _1 }  U& G( h2 A. W: K

, D( U+ H7 r/ Y
' B1 J/ e* \5 Y7 [3 O

nanimarcus

多谢各位榜爷打赏。