faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

- R! T( a4 |) D# D, `& H# E  b. n
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。
2 z! H+ ~0 M4 U5 \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。
0 Q# W) a; o: U7 F* N8 ?2 [4 O* O5 C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。
) Y+ K1 e0 z' q$ l' S% S----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
/ k/ d7 c  [, ~* ?3 s4, 在python 3 中安装
1 \; m) `) a  ^pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
- \$ I) }$ I& |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/ @9 u% {! U- g5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
  ~* D+ E* Z: h* Q6，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：
7 T7 N; @' J3 W4 f) p
----------------------------------------

7 T+ ^: z$ m+ ifrom faster_whisper import WhisperModel
9 |% W1 z: n8 D) B9 j" D
" V, f; G- {$ k! A6 Dmodel_size = "small"

2 P8 n9 C: L- ^* U0 ymodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
3 _- M+ |5 F; r* T    sourceFileName,
0 m% V2 J) |' q7 k9 {6 \    beam_size=5,
, G3 t+ {" a5 w. |$ B/ y    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
/ \8 ]% ~1 k5 d) w2 e( v    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
8 R! h: \1 s/ W
        for word in segment.words:
+ |( T- c6 L, S; }' l3 m" \7 a               
----------------------------------------
& @; v, L; b! q* U, B! ^4 n3 ]! F
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。
' u$ T% H% Z" T" W; g! V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。
2，segment 本身是很粗糙的，做字幕勉强能用。
# J( C3 o; W7 s' S8 V; b1 s7 j3，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：
" a5 t( t% z  M" b; N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
1 _( A& q4 J4 e* Y* h# `8 W其中
    word_timestamps=True,
7 K# O" g+ @4 r- Z& u6 X! ?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。
5 Q6 {6 X* C3 `! R其他参数可参考源文件：
: V2 F$ L  ]3 c4 v- o% Chttps://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。

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。
* i0 D# F$ \0 O; o; `$ p( j( J( p8，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。
9 @( _2 A4 s% y% @; k

! {! d% b8 \5 G* ]4 U

nanimarcus

多谢各位榜爷打赏。