faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

% f- s9 D; |( y4 w# _3 I" H) M
6 m/ s2 w5 w. p( F/ E( X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。
' i5 n4 Z  m8 Q2 ~; m" d# `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。
----------------------------------------
. |* a) i9 ~6 Z+ b& Y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 S9 H  ?5 E! U( d3 x+ t- i$ x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" j# R& }! k. g* ohttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
; k, }8 D, i9 c2, Python 3.10.11
$ S( Q/ `9 b: F4 n0 i2 b2 D! {2 x; \3, CUDA 12.1
4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
) w) h* z- }5 T+ l, U/ m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
( ?0 ?& H  _" W/ s这是向whisper 致敬，可以不装
% @& N/ q1 l4 _3 |8 n6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
, y! q# _( J+ t) k% M% s* W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：
  w% t& J$ H" z  N5 G; V
----------------------------------------

" l/ ]2 y3 t' O4 P) n3 A8 |from faster_whisper import WhisperModel
/ o- ?$ v$ c2 p+ U
model_size = "small"
; ^- _$ B% b. @) I+ Z7 a; z
model = WhisperModel(model_size, device="cuda", compute_type="int8")
6 Q4 h8 w$ m" E
& ?  @2 v# H! o, Fsegments, info = model.transcribe(
7 l9 P; n/ \1 F    sourceFileName,
: B) `& U, w. a8 w, [) Y    beam_size=5,
    language="en",
    task="transcribe",
3 x. M5 K( ^, w* ?% u    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

5 }# j: A4 {* y5 I' b" hfor segment in segments:
9 u) O% w5 a  h& v  J    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
. f: |( A! }8 E5 v2 ~9 I
, t6 j" |; h2 @* b  L0 b        for word in segment.words:
; a" ^8 @9 A" H- ]/ P               
5 H3 L+ ]/ t. Z9 z) ?----------------------------------------
5 ^/ _3 r. c8 I+ F: X
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。
2，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。
8 X4 L, q! V% W4，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：
" T# I0 ^9 v( K) T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
$ q4 u7 _$ S! ]0 J其中
9 _8 G- z- A6 X) s" ]    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
& l/ y! v/ p+ k6 `    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。
% _: f  h5 I* |: O4 t  F4 I; c其他参数可参考源文件：
% ~3 e7 F; l9 M' R3 dhttps://github.com/guillaumekln/ ... isper/transcribe.py
; n8 `0 Z; x! G3 R$ F152 def transcribe(
. K6 ?; r, t! v: D* R1 Q7 ]( o从源文件你可以看到是支持中文的句号断句的。

0 f' e  J8 _+ W; T1 D% N' H, p6，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。
; i. x% Z, {3 W! d

nanimarcus

多谢各位榜爷打赏。