faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

0 e+ w. {) D& o' D8 E
% o# I; G) c" }8 l+ k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。
- K& m6 Y6 S& J# G1 D4 ]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。
----------------------------------------
! @# t1 s* P- a& E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。
, r" b6 x0 d* ]* m6 ]$ ~----------------------------------------
7 M4 U4 W. G( F  e0 F; ~/ b0 ?2 jhttps://github.com/guillaumekln/faster-whisper
安装如下：
# S. {0 v8 d& D) }1, Windows 10
2, Python 3.10.11
3 j! ~, ~0 _& `& }7 _# Q& k1 v3, CUDA 12.1
; I, X3 k1 e4 G7 I4, 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
2 o" w% D# \! @这是向whisper 致敬，可以不装
( P4 K% R% q9 f6 }" [, Z6，pip install faster-whisper
----------------------------------------
/ {. w  a/ I0 e  u- swhisper 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：

----------------------------------------
; U3 q- R5 M9 T. J+ W4 S( j" [4 f
/ Z2 g7 U  x$ O  Cfrom faster_whisper import WhisperModel

* n/ ]  k4 A1 G5 E6 v( Wmodel_size = "small"
2 D# N1 g6 z3 F' a6 t
! F1 e) C8 u: a7 b! n" pmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
, p( P' j) j3 ^% x1 Q) f- d9 x4 a' m
, q, U6 e/ n, t+ _+ Q4 Ksegments, info = model.transcribe(
' m8 a% A. d9 q0 z    sourceFileName,
    beam_size=5,
    language="en",
$ M; B% w. J9 ~6 }' H! K; O9 ~    task="transcribe",
    word_timestamps=True,
0 A. p+ u/ `% A+ [$ I2 A    initial_prompt = "Hello, welcome to my lecture.")

/ F+ K7 F' i' q! U- M7 R2 jfor segment in segments:
0 G5 ~7 d8 C; y+ T( M    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
+ t+ D8 n2 U. [  ]% a- I, o
/ v$ c( W% A7 j        for word in segment.words:
               
----------------------------------------
) y; J! [' G7 H
代码说明：
2 p& v' y+ y) T7 R( Y0 a* n% S1，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。
8 l0 U7 ^# i8 G2 [+ P8 R3，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
0 F1 M2 `& |  o# [, J5 L+ ?2 g* m比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
; j- S4 t: k" V( G& N6 _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
" L% G! \: \7 b9 I1 F5 C$ ~6 X其中
    word_timestamps=True,
$ n* Q) `( \, k% Y保证了你能拿到 word，否则是拿不到的
% _7 b5 X- |, k! q; \: g4 k2 A    initial_prompt = "Hello, welcome to my lecture.")
6 a, c. e" F, Y) w2 s2 e保证能尽可能准确的断句 punctuation，但是不是决定性的。
% ]# k" L# h( ?& x+ [( X& H其他参数可参考源文件：
4 A' H$ \2 X: I' Z2 d4 shttps://github.com/guillaumekln/ ... isper/transcribe.py
; J& v) ]3 [5 @. E. E) J- i152 def transcribe(
( U6 c$ q4 ~0 ~/ O( F5 s( ]: b从源文件你可以看到是支持中文的句号断句的。

, D& E/ M9 Z5 x1 r6，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。
! Y+ `2 D1 p5 l6 F& T; F" ^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。
9 N/ K% @5 a3 H# Y% }: e8 M; d4 {  Z8，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。
! P; ]- ~) l6 M. ^  s* A


! l, O6 k1 D) [

nanimarcus

多谢各位榜爷打赏。