faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

) D% @& y2 |* }. t8 w" `! 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。
----------------------------------------
, A# o/ U+ n) j" k' y! w& c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。
6 P2 R& }$ i, f2 W& e" ~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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
& A4 ?, `8 t' T7 W4 `; D, h3 A2 P安装如下：
! I& X! N/ p  o  I$ u; C" L1, Windows 10
2, Python 3.10.11
* i; @% ]  Z5 I" M9 Q3, CUDA 12.1
1 w, u- W  ^2 z' T% H" o; q4, 在python 3 中安装
+ H: Y" z- R2 G4 R$ x% }pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
) m) x: X8 M7 P) L) m# ]+ @9 X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
6 C2 f: S) \' y* C& c----------------------------------------
9 F7 V: W, }% C* x1 x! uwhisper 我用的命令行，faster-whisper 我用的是python。
) d0 o' ^+ i) X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：

----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"
* X: {7 V! H$ A+ e7 i
, Z. c( `' _; n5 y$ Z$ X  B5 ]9 Fmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
. D/ O$ K7 r1 x  b, R3 U
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
4 I1 ~/ n8 S+ k    language="en",
- K3 w0 s6 r+ `1 w& X, Q    task="transcribe",
8 b$ t" i' e) W5 T" Y! ^" Q! N    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

3 p1 p/ n0 J  H! `- P# Lfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
3 n  f4 [9 U. z9 D. Z1 d, E
        for word in segment.words:
. s1 |2 ~6 P9 u9 }+ B. H+ E- n               
----------------------------------------

( q* P+ E: {- S) V7 S代码说明：
$ @& m0 v+ F( d( A5 \$ l/ m3 T' A( k1，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。
9 G% s8 q+ b1 _# w2，segment 本身是很粗糙的，做字幕勉强能用。
* L- b. X! O( ~! D& ~! ^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。
) }# I+ E. d0 \# p8 x4 f+ K4，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：
, d: c, Y) n$ F8 f; g% Y7 P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
    word_timestamps=True,
5 J' M8 I* C1 l( q/ E保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
8 ^; {" ~' {/ p5 r3 M保证能尽可能准确的断句 punctuation，但是不是决定性的。
4 _2 X, K- u  j其他参数可参考源文件：
2 t4 ]+ ^+ f9 m  @/ G3 V2 rhttps://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。
% D6 {& `- q" J6 P8 p9 j0 N
- B$ F# q7 w; ?/ `5 O" a) R6，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。
, Q( `$ z" h1 A5 h9 ?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。
9 B4 g. B1 o! R8 l: T
7 C; \9 u5 O' `! O
0 f" p" E0 ]& u0 m
% e* Q' v" R" z0 q, P& O; X

nanimarcus

多谢各位榜爷打赏。