faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

( B/ r7 ~  d2 z! R/ `% E2 e
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。
& S7 A1 e: r+ u! W8 R& G----------------------------------------
# U9 z. y) f$ U! T% P5 Z; U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。
  q7 U) T' v& z* Q2 e1 T; Q5 q----------------------------------------
https://github.com/guillaumekln/faster-whisper
5 O: B, k  j, }8 T# C% j) q安装如下：
/ N7 V4 }& [$ @3 p! @1, Windows 10
! Z1 t7 e) |9 X9 x& B( S2, Python 3.10.11
, s* G. l3 E  A. G3, CUDA 12.1
& N. N% e9 W4 r4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
* J) x4 D/ @. R+ R9 N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。
5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
, D% o0 R: ^7 l9 z/ 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：
% c7 R; E  \, z3 M4 S6 |3 L9 N6 ]
8 ~1 X' V: _8 o+ m----------------------------------------

3 H$ {5 b- E# s$ xfrom faster_whisper import WhisperModel

5 d% J/ i4 n4 Q' P- t; j# Tmodel_size = "small"

; _8 a& \$ {5 W3 G& d' Vmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
! B3 `9 A! V6 |9 d2 L! t! q    sourceFileName,
    beam_size=5,
    language="en",
& u/ {) d& O- P2 s5 `/ l, ?7 \" W6 ]    task="transcribe",
    word_timestamps=True,
' E( ]; ]0 O5 d- t/ B5 W& b    initial_prompt = "Hello, welcome to my lecture.")

. T! X7 z1 H2 Z. @$ ifor segment in segments:
4 E/ h) D  Y: k5 W8 a2 Y2 r1 y    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

8 I! Y3 h) M5 _! m0 N, v        for word in segment.words:
               
, s$ M- P! M- X! B# y0 ]----------------------------------------
4 G7 A9 S" u0 Y' s( |; R/ c
/ \3 c6 |3 H6 q: Z4 A. T( |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。
8 J$ }3 |+ R7 W0 a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。
& x  a) T0 V0 x+ ~2 ~$ d/ A3，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。
0 R4 g2 O: D/ L" W0 p5 e4，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
7 R+ t7 }; N( Y3 U6 u, M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：
3 M* K9 J" m4 z" ?" 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
' {+ y5 q8 ?  z其中
1 l% r- i/ y/ v1 X' P. N! W, o    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
8 S. H9 N6 G! G* k6 e    initial_prompt = "Hello, welcome to my lecture.")
4 L1 ^7 D( ~4 q3 M: z3 J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：
( v6 w; r3 z* j5 L& T( n1 Yhttps://github.com/guillaumekln/ ... isper/transcribe.py
* S+ W6 F; i" Q( j152 def transcribe(
- R$ T' a( u0 ]2 e+ S# b3 @1 n2 N从源文件你可以看到是支持中文的句号断句的。
, }- J# c8 I+ [1 a$ d3 m( k
0 u# }, n! G' m/ x( ]* R. D6，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。
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。


3 T( R* W/ D7 Y. ?
* k0 [9 X$ [5 q! t

nanimarcus

多谢各位榜爷打赏。