faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
5 t6 h9 Y4 x( l1 u# {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。
1 B6 t( w5 ]0 \% F: C4 g5 I6 e----------------------------------------
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。
, f9 ]" H6 @8 t. j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
$ W8 E5 L' J; l3 ?安装如下：
5 M4 X; l6 u0 T5 }' V1, Windows 10
& P! X8 T$ N$ @4 Q2, Python 3.10.11
3, CUDA 12.1
( c) f9 W- I( H9 c4, 在python 3 中安装
( n. }& ?7 U1 ^7 N3 u7 wpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
8 d8 N" ]2 e; Q# ]  e# D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
# ~) y$ f& Q! w2 T$ g这是向whisper 致敬，可以不装
7 \2 Q5 b  M0 L3 ~6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
6 C5 h! x7 C5 I5 F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：

----------------------------------------
7 H2 f3 i* }. [, S
from faster_whisper import WhisperModel
- `- j& q, d/ _$ H4 x
model_size = "small"

# y. e4 k& I: ?  B" i2 Q  z3 _2 Fmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
. R8 l' c8 C3 d- k7 A    beam_size=5,
    language="en",
    task="transcribe",
& W& Z5 u3 s5 M. i  p) {    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

) b- _4 G3 W7 t1 O" x4 F$ |: s6 ifor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
+ R5 e7 Z. G0 e( R
1 {0 D/ m. u- d5 F% Y" i% H& `        for word in segment.words:
0 j/ @9 ]3 C2 p; h7 N5 a               
5 A) Y. g0 U$ H) E----------------------------------------

5 u; n0 T" |) c, G7 A. J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。
, g  i4 ~. H+ D' P2，segment 本身是很粗糙的，做字幕勉强能用。
% S$ D7 U* I& @0 \6 J7 @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。
" `" u% |" g! w: o% Q7 A" ^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。
# ?; G% e$ @1 j; m5，model.transcribe 中参数说明：
+ s5 m# j! g9 b0 F$ F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
: Y' h  [4 ?) H9 A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.")
' V9 n$ @; x! `" K" a- r保证能尽可能准确的断句 punctuation，但是不是决定性的。
1 c7 }1 ^: \' V7 q. ]9 H4 T其他参数可参考源文件：
https://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。

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。
# o7 E1 `$ V9 O% f* g+ H( z7，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 \+ @" x: r& z1 Q: N8，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。
: Y9 h. H1 Q7 d  h9 _

0 m, }% I& x; ?4 A# H0 s( p

nanimarcus

多谢各位榜爷打赏。