faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

+ N" l1 x. A, \) Y( }# L+ V  @! g
4 P( U6 U* e& C( z! y' `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。
----------------------------------------
( o+ m+ X8 U4 h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。
, W, j& R- ^  o9 @9 e; F7 \----------------------------------------
1 G5 Y, @3 U3 x( {* ~! Jhttps://github.com/guillaumekln/faster-whisper
) ]' W2 E* V7 |" m  [0 q" s3 K安装如下：
1, Windows 10
* _2 Q# P1 a& F) b! r5 i+ G2, Python 3.10.11
% O* Y6 K7 G" K  X' X7 w7 P. j: E5 X3, CUDA 12.1
4 Z/ h; W' u3 y2 a" l: r. c8 a4, 在python 3 中安装
6 R& e9 l2 w1 Dpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
0 O3 |$ b; ~6 B. y0 \; W! G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。
" V2 `3 d! G8 w' R. q5，pip install -U openai-whisper
: W/ J8 Z! k1 K/ A/ g; k这是向whisper 致敬，可以不装
6 i$ Y' y$ e# @) M3 G4 G* W1 e6，pip install faster-whisper
----------------------------------------
: U# H9 R( @. Ywhisper 我用的命令行，faster-whisper 我用的是python。
7 g! P( S* U' d! Q& y* b+ g! G+ J( r' z/ q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：
. A+ m! l  D/ {3 n% M$ m8 `
! [& p/ L% j" Z0 Y/ v% y/ X----------------------------------------

0 J" v( j/ k' Q" ffrom faster_whisper import WhisperModel
8 E% i  [% i! p) ]! D  ~, h
model_size = "small"
1 J1 @- U8 E6 ~6 p
model = WhisperModel(model_size, device="cuda", compute_type="int8")

+ I$ g7 }) I* v- N& v2 \' Q8 Zsegments, info = model.transcribe(
1 s9 D! `+ s, m( I2 R% A0 u0 r/ g    sourceFileName,
    beam_size=5,
) z+ D# H/ Z/ F    language="en",
, }; O& v1 s, g9 Z    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
; y1 }+ p4 M$ x6 b
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

6 h* x: D2 w8 q# A8 p$ z        for word in segment.words:
  x+ s; [- d! p. M# N               
4 J& w  I, n* n" q: {. J: I----------------------------------------

代码说明：
0 c( ]' F: f' P$ Z* ^( n1，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。
4 ?* w2 {& ^; q& d1 u3 W4 G3 F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。
/ R$ \9 Z  I+ F0 }' F9 y2，segment 本身是很粗糙的，做字幕勉强能用。
* r7 J5 ^" {/ ?; U2 n, p4 l3，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。
6 C# ?1 Z9 E* y6 Z7 ]2 ~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
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
" I) S/ b1 c% r# t1 Y4 g1 @$ L其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
; N1 L3 b2 D2 v. |$ {- |    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。
4 U5 N% Q3 U# ?, [
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。
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。
2 h6 K4 }' g6 }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。


2 E% N3 F) A7 \  {: l  E! M) ^, ~

nanimarcus

多谢各位榜爷打赏。