faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

$ ?) ~# ^! Q% a0 G1 h# J
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。
# }6 U  |) u, @+ Y4 L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。
$ k) q7 g3 C! {' p7 X! ?----------------------------------------
$ d! D" h! u. F; }$ O8 a) T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。
) \/ p, a/ _  y0 B5 I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。
----------------------------------------
& O( a# `; d  u  P0 F( Shttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
% c% N, e( M( E+ A4 f2, 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
" ~# B$ ~* j% i( g+ @: _* s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。
" z- j- j! j+ a3 \' o5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
$ L' v' M. L9 L7 @# E6，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：

, r0 Z% B" }$ a* D& M" Z& `----------------------------------------

& V2 }1 K1 {7 f! K1 qfrom faster_whisper import WhisperModel

model_size = "small"
3 v; W9 H  ^+ X1 s
! s1 I9 J6 d+ _4 w1 L" Dmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

& M; w& l& p" w: I; j3 O; fsegments, info = model.transcribe(
( X! ]( t+ f' s: T3 N    sourceFileName,
9 @! T, m; U3 Q+ k6 _5 @    beam_size=5,
9 j+ y% Y$ {5 S" j    language="en",
    task="transcribe",
- M  I  p9 ?6 Z+ s( _    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
7 f, f4 j" B9 a  ^/ I* S    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
! \: Y( o; Y( _7 l" V4 o- X3 |) \
$ W" O" E6 y4 O  U0 P( |. Y        for word in segment.words:
) m5 e: e# g( I7 K& E               
9 r$ D6 n2 b$ d8 A# U* o, _----------------------------------------

代码说明：
# L. Z. c, {  M& k4 H1，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。
5 W, M) I# F2 S0 M2 J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。
7 Z3 z  V; T- e' z. U- G8 S% j2，segment 本身是很粗糙的，做字幕勉强能用。
( _  _' t$ r" X. s. ]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。
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 J+ N. j0 E' j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：
' J. t- m' T8 ?$ D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
; s" E# J) z( I( B& q' a$ d其中
2 p, D- u% U7 b/ L1 q4 a6 s" c    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
8 C& A( Y# f5 M+ X$ p) `保证能尽可能准确的断句 punctuation，但是不是决定性的。
' O  J' h' }3 A. p其他参数可参考源文件：
$ K/ g; l$ n( V% E- w6 @https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
, G8 Z/ N1 \$ U+ o+ {. R从源文件你可以看到是支持中文的句号断句的。

3 R5 v3 r4 x  g7 O6，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。
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。
# @6 o5 i' _' T8 p
& E0 X$ h$ f5 a3 c
# h1 k: c# d2 j

nanimarcus

多谢各位榜爷打赏。