faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

* R0 b' g( m; M( c: r0 _% ^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。
/ x! @* t7 I( L/ K+ v" N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。
  r3 s8 k  B; j; M, ]+ a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。
9 B" Y' D; |, C  `  Q+ t1 K3 R----------------------------------------
https://github.com/guillaumekln/faster-whisper
7 t1 @) [! w5 z1 \# L& a* ]安装如下：
" }( f6 l" g# |1, Windows 10
+ H+ h+ `' b, B/ X+ ~5 ^0 L2, Python 3.10.11
3, CUDA 12.1
' V; e+ i. K- K4, 在python 3 中安装
" U3 u- Z2 v5 ?pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
4 P' |  i3 ?$ w+ G! N3 f, 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。
3 N7 y7 z0 X' Y2 `3 M0 y# p' {" {5，pip install -U openai-whisper
5 U$ z8 N5 J' ~$ Y: S这是向whisper 致敬，可以不装
6，pip install faster-whisper
7 H( B$ @0 f8 O& j" [5 z----------------------------------------
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：
% b  {4 I4 U0 A% @: \
$ u! N" R. i' l2 w----------------------------------------
5 u9 T) a: n' R5 C/ {; ]
8 ~+ |  G5 H. l4 p: j( m7 Kfrom faster_whisper import WhisperModel

, X  u! Y' o" `- m) b  e2 qmodel_size = "small"

! }3 L, B' `) X4 |( Z5 l0 Emodel = WhisperModel(model_size, device="cuda", compute_type="int8")

" ?- A" B! c! W; s" bsegments, info = model.transcribe(
. D. f& ]6 E7 I    sourceFileName,
    beam_size=5,
2 @0 V/ k5 @  v& n( `) ]    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
. g9 p5 F! h) [% f6 P8 _
# K0 b2 _( X+ J/ C+ i/ v1 Q( k& lfor segment in segments:
) o3 l) ~: h0 c# T3 k$ ]    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

" r! ]' s! `  C7 l1 J9 @, V0 X5 u7 Y        for word in segment.words:
1 v) x# \, m1 Z3 {+ N8 b               
----------------------------------------
2 `# }  [. s2 E
7 u5 `- C4 k" ~- v9 U; U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。
, |8 \- p# j% [4 r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。
5 ^; e: X0 p4 q" b- ?% `# o! F2，segment 本身是很粗糙的，做字幕勉强能用。
/ _4 N3 }$ s, z0 D) n9 t3，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
1 l% ]& i& h, |4 Q/ j比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
& E' L& h; k; @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
; @% d4 @  Y" n/ k    initial_prompt = "Hello, welcome to my lecture.")
7 c( L! ]1 K3 r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
152 def transcribe(
% @, E3 _! t) G! _- m从源文件你可以看到是支持中文的句号断句的。
( m! X# y9 Z$ s  G+ T- b* ^. h
0 `2 V1 W: K8 }8 s9 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。
/ {% W6 }9 c% s: s( V8 q8，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。


7 V, U1 U" o. S5 q/ [8 e

nanimarcus

多谢各位榜爷打赏。