faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

: Y, O2 d( n' F* I$ t. w3 m0 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。
----------------------------------------
6 ?; t: W3 K; S5 z5 F& `# v7 V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。
: s% P7 N/ t) b/ \4 H6 q----------------------------------------
, I; ]  W" \) s: vhttps://github.com/guillaumekln/faster-whisper
8 J  ], W9 U' `安装如下：
1, Windows 10
2, Python 3.10.11
, o) d5 W  L- o& G3, CUDA 12.1
0 i. x) d0 _+ c% l4, 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。
; U# q8 [) `* H6 ~# d2 x( c4 ^: W* {& z5，pip install -U openai-whisper
2 e9 O6 B( H/ O3 c. e+ k* m) P% H4 [* j这是向whisper 致敬，可以不装
5 E: e& b- W- p) a1 [' u! j( n6，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：
) ^- S' W' N9 |
6 t  U0 _, I9 L( v1 d: W----------------------------------------
/ N' S# a+ h3 F0 J8 @
from faster_whisper import WhisperModel
. {6 y! O9 X8 r6 h3 E
/ {# `( @; B+ K3 H1 P% Imodel_size = "small"

7 S6 E* p/ V! E* d1 A# K) dmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
8 r7 w5 X- m6 Z
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
1 X- N& X; b/ n( v+ O    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

$ \7 p/ d! Y0 A% vfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
. y3 t6 Q7 y2 j4 \
        for word in segment.words:
. P) m" i/ ~* l/ ]               
----------------------------------------

: {. H0 r0 n; ^! X/ m代码说明：
' e" b- O- j" r1，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。
" k! @% I* H: U# S" O, s& p. r9 Y7 Y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 v9 d+ ]- h: O. ~  I' W" B; A- n2，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。
. J$ [6 ]% }+ r: ?9 a4，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：
  N' P  t! X& x7 \; Y6 D4 Y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
+ ~1 Y& s1 W; |    word_timestamps=True,
( X5 l7 [( N  W" d: _3 W8 d保证了你能拿到 word，否则是拿不到的
. F, d4 |- q+ p* v$ T    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。
' i. G, I2 s9 H7 f1 a& [
0 n5 a0 o! Q7 M& Z7 b1 k6，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。
# i6 ^4 C2 ~0 N0 S' 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。

' b  |5 h; L8 D

1 p9 V$ j. ~( I: D; K+ f9 J

nanimarcus

多谢各位榜爷打赏。