faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

6 s/ E. ?2 s+ 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。
$ A" I# J( K' z6 {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。
----------------------------------------
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。
$ i: n" t2 i# [* X  z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
安装如下：
# H) L  G% l0 W4 G0 u# \1, Windows 10
7 @1 s; ~4 [5 n; ]2, Python 3.10.11
3, CUDA 12.1
* a# q/ @) r- W& X4 `4, 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。
5，pip install -U openai-whisper
& B8 D. D3 c# {! R: o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。
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：
4 z6 d' A' V9 n5 n' e
( q% ~5 g7 ~1 l% s% I' l----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"
; }7 |" P% ?% W5 }
model = WhisperModel(model_size, device="cuda", compute_type="int8")
/ @  l" b1 [- a+ \7 j2 [
segments, info = model.transcribe(
    sourceFileName,
# O. K4 a1 _5 h) v  u    beam_size=5,
    language="en",
8 E& ]% K7 c1 D& F5 e. \! |4 s    task="transcribe",
+ l$ d/ c6 B  s; {' e: I% ^    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
1 W! b0 V6 H  z6 @
for segment in segments:
) ~" S  v% i' K7 Q) s8 r* |    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
/ e& I( \/ x$ Q0 _) v
  v( P' O, j' Y, E! e& l. \2 X        for word in segment.words:
               
----------------------------------------

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 V$ s9 s, L8 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。
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。
; \  C, B  a1 B5，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
0 ~" M- _# p4 t( e+ \其中
+ i2 k* n( C0 y8 }5 S    word_timestamps=True,
% b9 H' I- p2 ]8 v8 ~9 ^2 \( b$ g保证了你能拿到 word，否则是拿不到的
+ w* ]2 H( [+ y- k: x, W( ^, ]    initial_prompt = "Hello, welcome to my lecture.")
2 N8 @$ ]  f' ~0 G+ u! z" ~6 N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：
https://github.com/guillaumekln/ ... isper/transcribe.py
0 v* t4 d, x  ^- l; _* s# N152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

, F% H- f" P9 ~  t1 P  ~. X6，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。
4 x( s( j8 O0 ]- R$ `" F; P8，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。
/ \5 Y( w) W: V# t& m: P

, r: ?/ q+ O! |  M( _! @  A- `4 @- @

nanimarcus

多谢各位榜爷打赏。