faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

+ X, T- [! s3 y* x; _! F  s6 H* @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。
  T! T+ x+ E6 R----------------------------------------
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。
) B( {. o& E6 f3 c  ?+ W: l3 W3 j----------------------------------------
/ D3 ^8 _! ^4 J/ ]9 D9 Phttps://github.com/guillaumekln/faster-whisper
. V4 ]7 h% X$ T) Q1 _; f安装如下：
1, Windows 10
1 ]: ?1 j% {! U4 s! b, v2, Python 3.10.11
3, CUDA 12.1
; ?9 V- P! ^3 h5 K8 N, }0 @- c4, 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。
) I* \/ R- r/ a) E8 ]0 f5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
( l' M( e7 p+ R6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
6 {/ g! F' }; J  V' A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：

2 `% V; k4 `' J----------------------------------------

from faster_whisper import WhisperModel
) [8 ?- }! d5 }1 }0 q! T* T5 v! N  |
& `$ K  h% Y* h9 {2 Ymodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
) R: j% x0 g2 u, y7 E) }
segments, info = model.transcribe(
' M3 w8 e* z0 m" B, i2 g. W    sourceFileName,
/ L) i) @# G4 k! ]    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
2 ~! n1 G* f& M% [% h
7 E8 z- W" z$ Pfor segment in segments:
: x. M; f" D, A$ j    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

+ N, H" N( B6 |5 v9 s9 ]: I! \1 L        for word in segment.words:
8 Q5 I3 ~: E8 Z8 O/ B               
----------------------------------------

代码说明：
2 D  k1 k! q$ _+ m! k* [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。
0 L5 W& ~2 P1 n7 [: J. v, u2，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。
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：
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
3 M  F/ d7 X5 M' J3 R4 Q其中
    word_timestamps=True,
$ ?/ n1 ?7 `7 C: {" l保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
$ j5 c. T& H' r: O+ L  `) i8 ^, N保证能尽可能准确的断句 punctuation，但是不是决定性的。
+ e1 o) l+ d7 C' O  o7 X2 a. E, \其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
1 _/ p# |$ g4 C/ k从源文件你可以看到是支持中文的句号断句的。
  R5 K9 Z# F4 ?. N- @9 s
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。
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。
6 q% E" o4 _5 k! z, C+ T% }* [3 I
  q8 J, F! d& W( H8 X" @* r
/ `9 r% C  N0 f

nanimarcus

多谢各位榜爷打赏。