faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

* s4 Y% A9 M5 E) O" o
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。
----------------------------------------
5 G/ A1 A" U4 [; J. \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。
/ R. u+ ^% a$ r' A----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
. c, E3 ?) ]# y1, Windows 10
1 F  w# y/ Z& U- r2, Python 3.10.11
3, CUDA 12.1
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。
2 X- @. z3 L7 Z2 p0 y5，pip install -U openai-whisper
7 j' a* d* f+ d" T$ u* M这是向whisper 致敬，可以不装
) I, [: o+ k  j( d3 Q( C6，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：

$ m5 n- X3 H& b8 w* H: G----------------------------------------

( g/ w) d% H6 d+ P7 a/ e! Q4 w% Wfrom faster_whisper import WhisperModel
( _. }3 r/ D7 h6 U% x7 m* l" I
7 X' ^- x* S$ G: e! I3 @model_size = "small"

. h, z2 \: K& M( ~  fmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
  Q, L! X: _5 n' ?* ~# i1 ]: S
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
8 X4 L" y6 |, {! N' M7 P    word_timestamps=True,
& s7 k# v/ G( F9 }% ~9 Y7 o    initial_prompt = "Hello, welcome to my lecture.")
2 @; u! q- x( B) |% T" t+ @
6 R9 N& P! \- M& [  I) m2 }  ?for segment in segments:
4 d2 B1 C7 l% P( ~! ^    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
3 j) E2 x8 v5 z5 R1 K+ q4 b  A5 G
' U, t# y. q, M6 c- l& V  A  ]5 Q/ q        for word in segment.words:
               
----------------------------------------
+ o* L$ D! m! d& N
$ w$ A! ~3 K# Z/ Q4 K$ L代码说明：
2 f7 q- _# ?4 j. F* q% R1，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。
) W! x, J. i3 Y4 z2，segment 本身是很粗糙的，做字幕勉强能用。
; j- L' P& H  @$ z1 Q' k0 p7 j3，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。
5，model.transcribe 中参数说明：
, \, m5 d7 F7 y. 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
0 F4 ~, h* G9 i/ _) ~0 d    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。
9 J, F  @! q9 l: l3 A: ?其他参数可参考源文件：
5 l. {4 y( R5 s5 ghttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
% w3 [& P% m7 W# _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。
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 k0 i5 i0 ^& U, `9 z8，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。


0 v0 x2 r3 h, n, z) [

nanimarcus

多谢各位榜爷打赏。