faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

# `# I9 ]0 L$ y5 ]. A/ t6 z. d
+ J3 {! q$ U/ u0 A* _/ W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。
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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1 h+ q7 ?8 l, d1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
/ G: P- n& y$ `7 Y# |/ Z5 G; |4, 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。
+ A/ n  c- s2 l- u6 J2 l% m# C  l5，pip install -U openai-whisper
- t0 ]4 Z) W8 O2 m) H/ o3 _! O, ]& T5 O这是向whisper 致敬，可以不装
6，pip install faster-whisper
. c! m1 I) @/ Y4 ]----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
/ l) H% p& P- F/ l$ h) b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：

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

# d7 I" P3 d/ R: Y5 i' o4 hfrom faster_whisper import WhisperModel

model_size = "small"
3 `! Q$ t9 {5 Z8 Q
) a; y" F8 m7 s% rmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
  N1 M; G8 e( f9 f$ T
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
+ t: s; _8 W: j! v# f0 H    task="transcribe",
: C) \: E  h; Z& F' g6 m    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
$ A) D; C  N! _$ p. l    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

% ~2 X: R" t3 f$ D7 a        for word in segment.words:
" E& z* {7 `0 B7 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。
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。
$ c! O* R0 e. S  d: u/ Z2，segment 本身是很粗糙的，做字幕勉强能用。
, [; m; G9 s6 X7 d3，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
6 D! r- M5 P4 q9 D' `: Z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：
" F$ n& q0 g2 u9 y' `+ F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,
保证了你能拿到 word，否则是拿不到的
( g$ y7 p6 C; l( w7 p. R/ }$ `4 \    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。
9 ?1 _% O" [* _. o) X' N其他参数可参考源文件：
3 q" n7 \! D5 o# u& u+ zhttps://github.com/guillaumekln/ ... isper/transcribe.py
! T) a# G* ~, ]; m3 g5 I/ a152 def transcribe(
9 l' S9 b. x* T从源文件你可以看到是支持中文的句号断句的。

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。
3 r5 X( c" y! Y  z1 F. ~2 j7，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。
! }  W: d, O$ C" L9 v8，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。
  a3 t3 R  ]6 y


* r! }* d- E6 p4 a9 T

nanimarcus

多谢各位榜爷打赏。