faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

+ O- X" ?7 N& l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。
* G- I) [7 n) C( f4 P. c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。
: F* Y+ ~; R" t# i3 q----------------------------------------
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。
5 Y2 l3 G: O. s, |* h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。
2 X  H0 u' a+ O+ Z, v# e; j----------------------------------------
- H  b# R1 s: q" F# Lhttps://github.com/guillaumekln/faster-whisper
- \: Z- G- G+ W" ]8 ?. w  T! N" h6 k安装如下：
, A7 g0 [8 ], H+ o% ~2 N) L% Y1, Windows 10
& c3 `! d, [; U5 W5 d" [2, Python 3.10.11
3, CUDA 12.1
2 T( Q5 g3 ?! Z% a4, 在python 3 中安装
1 ]9 p' N$ L* k4 k; Npip 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。
+ I: E7 L' L* z' U. @1 t, x0 o5，pip install -U openai-whisper
0 g( q5 l! w- r7 V0 L; [/ r8 S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。
: E( T4 Q2 p/ h" V% G7 S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：
; D( [$ i# Z1 e. L+ i$ b0 Q+ U! p
----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

( R. T7 \) w8 w) J1 vsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
! b: Y6 }6 P; C2 P' |% O9 R    language="en",
    task="transcribe",
2 O; A: i# D* ~5 k- y    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

& a. {8 Z2 m3 kfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
2 Z: R. O; x, a
8 A8 f" h- D( {. |- }: U) |" H        for word in segment.words:
               
1 ~% `6 Z; Z: z( u----------------------------------------
3 |. J: b/ a8 l  S, ?9 E9 F
代码说明：
/ p0 s8 W8 Q1 o1，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。
( K" T5 {; x3 S7 ~0 s' D6 K2，segment 本身是很粗糙的，做字幕勉强能用。
$ h, P. N7 M5 b8 ?; ]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。
" p) Z6 P& a( y% L) P+ D( ]6 q4，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
, m* K6 x1 u2 T; X$ V4 \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：
4 w, x1 L4 T+ {6 f0 `+ _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
) J- ~$ ~! i4 n/ B! X% }/ ~6 @    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
& _0 x+ K7 |* b# J" I& F    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。
+ W( \0 O& c* n! J其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
- }" w# D& v0 b# b  m! f( G; h% }152 def transcribe(
, e8 a) i: c0 [从源文件你可以看到是支持中文的句号断句的。
9 n/ f# T: O6 E
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。
9 I8 B* Z- g3 b7 N0 s8，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。
- H8 m4 }0 y, ?" k; X, H

- j  B6 b4 q9 ]- V5 b$ d7 _
3 J' n+ ]6 w2 `2 X, ^

nanimarcus

多谢各位榜爷打赏。