faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

$ r+ c3 {. Q0 j5 X
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。
----------------------------------------
" k0 J5 s% D, l4 U4 k! x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。
+ ?& I* {) b: z$ d! a% F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。
----------------------------------------
. U: _( \- d$ G8 Khttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
9 j7 D+ ^0 w/ I) p6 }8 a2, Python 3.10.11
, N) h7 `7 e. J5 c+ L# N" O3, CUDA 12.1
$ n( d+ F' O  N& v4, 在python 3 中安装
( `& p. g9 D9 l) y5 q+ C( tpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
' c! h0 Q  q3 ?4 o  z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
6，pip install faster-whisper
----------------------------------------
0 L/ Z& \. v, a) l# Q% rwhisper 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：

$ J, g5 D& l$ r# c----------------------------------------

9 W# X* ~, n, C7 Q2 m5 l3 Vfrom faster_whisper import WhisperModel

' |+ Z4 L7 J0 K& V0 imodel_size = "small"
* Y; i* r- O! W' X+ Y5 A
) S8 _  j8 \9 j% ]4 {! Lmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
  w9 _8 {+ l1 l
' R) n9 @  q8 f, r, [/ s/ Hsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
0 v# T' J/ Y8 H" ~    language="en",
    task="transcribe",
- U% w/ g: u& u    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
" Y' k0 z' p) q" R# t: x- Z
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。
# a2 o9 Z6 P+ e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。
( ~$ e* r% I, Y- x! x4 a' A( i' a5 \2，segment 本身是很粗糙的，做字幕勉强能用。
8 M! l" z6 x4 b+ y% p3，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。
* _  f, j+ A. U4，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
% q7 f: n3 N, C, Y7 u5 w: g/ @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
    word_timestamps=True,
5 O( `- m# H& g# V* u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：
4 i0 d/ ~; J6 {& W1 Chttps://github.com/guillaumekln/ ... isper/transcribe.py
2 y2 G6 M* |/ n, ~! k152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
7 T# F" a) M, O; k2 s
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。
& s9 c6 t, e0 k( P+ b7，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。
4 f. \# S1 y( U8，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。



: G& d. I- m. V3 P9 a" X

nanimarcus

多谢各位榜爷打赏。