faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

8 W2 a; p) i0 I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。
; k, H$ w/ P* p* I0 l4 @6 a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。
----------------------------------------
) X# ?% \" o+ Z0 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
安装如下：
/ A/ T: k6 i  w8 W1, Windows 10
2, Python 3.10.11
9 P, {0 g" C: s1 ?* ]! \3, CUDA 12.1
4, 在python 3 中安装
6 o0 C: J& X- W/ V, W! J  cpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
& e- |( p& o6 c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
这是向whisper 致敬，可以不装
6，pip install faster-whisper
: W/ V! ?4 R; K$ i1 y, i----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
1 G) Q: j; N4 W' v3 k, K2 D2 Y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：

$ S& M, K0 A/ j0 e----------------------------------------
" @) B& @! l4 t2 W' l" B3 e
from faster_whisper import WhisperModel
! r- `1 T/ H: {9 [( S. |9 w
1 {* Q" Q; w, D* p7 }6 Pmodel_size = "small"
3 m* ~' E$ ~- p+ [. w9 U
model = WhisperModel(model_size, device="cuda", compute_type="int8")
, s1 {6 x/ }: X, [5 _7 j
segments, info = model.transcribe(
$ e- d- D8 v5 K. _2 r% Y! ~    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
) A; a; `. y" X1 f% Q% C    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
$ b" g; N' H4 I6 K+ U, ^    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
  c' ^% y6 i4 p5 H/ }3 c
1 t0 d/ ~. s! s6 U9 a# x( S8 H        for word in segment.words:
6 ^4 W- y3 j3 M0 j               
6 _- l, Z. a& \  q" t----------------------------------------
4 T' w* O4 E% O6 N
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。
% J: I- P+ k+ o6 I2，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。
- s9 r8 n) g# g6 _9 M4，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
9 t! _6 k( J  l# P3 u) a9 t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：
8 t3 N' B* ^7 b5 M& ^# O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
& M; ~' u' J1 t  Z- C/ J    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：
+ y2 K  F$ W9 k3 lhttps://github.com/guillaumekln/ ... isper/transcribe.py
2 @& v. P/ ?1 f* F7 v$ c% J: T152 def transcribe(
$ Q; U8 v8 l( M( N从源文件你可以看到是支持中文的句号断句的。

8 m3 w& B9 Z% u4 W8 [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。
8，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。

8 Q0 ]( `" v4 V8 W/ m

nanimarcus

多谢各位榜爷打赏。