faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

4 [3 N! d+ w  Y2 |- ?0 C7 A
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。
+ x  p, U) E3 ?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。
9 _; O" ?4 K+ Q: b6 k----------------------------------------
; X4 P# a/ L' a& x  g7 M8 ~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。
% X9 e! n) _7 S" j# @( j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/ O; M& J) c" Z----------------------------------------
https://github.com/guillaumekln/faster-whisper
& w" Z& F" O6 b( V( p安装如下：
1, Windows 10
2, Python 3.10.11
, S5 @; O: }5 j4 F7 u" k3, CUDA 12.1
4, 在python 3 中安装
/ `, V4 v" T$ I  q% i( ]pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
- `1 i9 |7 J/ [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。
& H, i! P$ z/ g( r1 O8 r5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
+ e2 v+ R% m. {9 e. r----------------------------------------
# J2 M- W( u! wwhisper 我用的命令行，faster-whisper 我用的是python。
6 O2 E1 b! \8 \$ y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：

----------------------------------------
: `* D6 A6 ?7 @- E
from faster_whisper import WhisperModel
' q) J* C' F2 v0 H
model_size = "small"
' b5 j( l( v: u8 Z
2 s9 q, @5 P4 |! xmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
, T2 M. ^; V' u. K+ G3 u
0 o9 E# m# u9 z, o( R& l! j: zsegments, info = model.transcribe(
    sourceFileName,
0 }# _9 \6 z9 }; P3 j' I    beam_size=5,
( S, @9 {3 V- ?" }* A    language="en",
4 r& z, ]6 B2 O    task="transcribe",
    word_timestamps=True,
) p0 C  ]2 m7 P( L    initial_prompt = "Hello, welcome to my lecture.")
3 `* S) {' r0 C1 e! j0 ]* _, g: K+ E
for segment in segments:
2 f" H5 k( _( q. V    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
! y$ b1 o5 a2 o
        for word in segment.words:
+ a" j$ `& \  P/ n! W               
----------------------------------------
; T1 f, e5 D& w+ `- ?, ^
( b5 l/ p7 Z' y9 Q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。
7 Z) o% _% b0 a$ @( s& L2，segment 本身是很粗糙的，做字幕勉强能用。
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
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：
0 d8 x# _! m% z' l5 g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
* G1 y/ B3 V2 \3 N/ w: K& o其中
    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.")
' U4 L% f# t4 d. f$ X  f6 t. g+ b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：
8 P) |$ {' O& |& e6 Y5 \https://github.com/guillaumekln/ ... isper/transcribe.py
0 S6 W6 U. L& m1 {- U; v! P2 \3 O5 y152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
# ~% z) P/ ]3 c( Z+ l
  k( c' g% z/ Y; D  ]4 s/ O# C0 C6，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。
! n8 d: Y+ Y; 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。
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。


" M- y8 B# E+ T; Z9 |
' p6 t) `* d! r  t' k0 ~9 X' D

nanimarcus

多谢各位榜爷打赏。