faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

! E* V' U2 Q  p) ]; ~8 a
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。
$ `6 }$ l2 @; C* ?7 c2 c) d! g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。
2 ~6 r4 \2 y+ j1 \, Q----------------------------------------
& v. |( A( |3 x3 j1 |6 x$ H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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
1 y# w7 H+ U: A安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
6 ?, p  n# U: \* Y9 g; u+ X4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
8 U  d3 I8 D9 B% Y' H, Y/ |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。
# h- s$ C# e1 _. |: O+ m! Q% x5，pip install -U openai-whisper
, _, J8 ?; A6 s( Z4 G/ z2 K这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
" N- y  J3 g- E8 u' J5 Ywhisper 我用的命令行，faster-whisper 我用的是python。
1 V2 L* X# j/ v+ |' {1 s* G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：
5 A% v3 C* D: ]7 E2 [  c
& y; e3 I5 J8 S, a" e- e" \& v----------------------------------------
$ |" q# }8 y  S2 S2 r8 i, q4 r
4 Q. z0 i6 n6 _4 sfrom faster_whisper import WhisperModel
7 S4 }+ g/ ]: _/ b8 f# e* R; s+ e  \
model_size = "small"

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

1 X+ _5 a- b/ Z) }, R; Nsegments, info = model.transcribe(
4 p0 |% J  K9 {2 I7 o& J    sourceFileName,
    beam_size=5,
/ t' O  d2 b) I    language="en",
6 x- i* \' o3 m9 f6 Y; f    task="transcribe",
    word_timestamps=True,
4 v, [" t8 |" u: p    initial_prompt = "Hello, welcome to my lecture.")
( [; r4 O6 q) A8 F  }
for segment in segments:
. e, v* D6 y7 p$ t4 e    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
9 K1 V0 Z* a3 D) r, m, V- {----------------------------------------

' O; C! V2 K+ H$ @$ D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。
- a# U6 Q) W! p# I4，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
' l+ t' W4 q6 B( U% W& ?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
其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    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。
其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
. x' ]3 S6 E( c152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
) {* e0 Z: O" b
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。
/ |% k5 V: f7 x5 [2 F/ R% j; m8，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。

2 h4 r& G7 U) i
6 L4 Q/ t' ]* w! p( R

nanimarcus

多谢各位榜爷打赏。