faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

2 S! b& c: N' x, |( {# M0 g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。
1 v  ?/ G; Z7 Q( X  [3 ?' O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。
' D- b! q0 Y; i. k6 c2 n$ ?# n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。
----------------------------------------
" e/ g8 X. o8 `8 U% z; ^https://github.com/guillaumekln/faster-whisper
安装如下：
& d4 n/ O1 n* E% a1, Windows 10
2, Python 3.10.11
$ f+ X- e  l* R% l5 e* x3, 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。
5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
( O8 G$ ^! y( Z( |6，pip install faster-whisper
----------------------------------------
% P# Q4 p  o+ e& V6 ?* |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：

% a& R2 ]; u" z9 D9 U$ v----------------------------------------
' {. t# B% H- J: M7 g3 d/ L# ~' l" ]8 T
from faster_whisper import WhisperModel
3 o; M! z) d$ w8 l
# g* O& B# a, K. K  t3 h2 `model_size = "small"

3 l. Y* {& h, x: Q. l. j# o5 F4 Imodel = WhisperModel(model_size, device="cuda", compute_type="int8")

; `" n# ?/ B! `. Fsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
; `  L* z% E2 G0 Q1 O4 r    task="transcribe",
' s! B$ N9 l9 Q6 h    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

1 j2 a  N" B1 X3 i, l: g1 I5 B        for word in segment.words:
% ^' J/ j, N- M, ^               
0 i6 f  Q' V. n2 {----------------------------------------
& }6 |3 N7 E. E
% z0 }6 K* `* J- m* R8 [; ~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 ~; K9 `$ H" N; e2 q2，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。
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。
% M3 r) L) W4 x  f8 J5，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。
/ j& C# z) b% g) I* k4 ~4 W$ G" r+ }其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
( `: \% l. J# `! T* H% c5 e152 def transcribe(
0 j- F6 _% h$ a7 |( N: B从源文件你可以看到是支持中文的句号断句的。

2 `0 [/ \$ I) p6，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。
: G. q: b% U* G7 d/ L+ m% 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。
. I' x( l4 [) H6 I: Z0 o8，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。
( e6 {; p; c) @3 Q
% {( P) K6 h$ r4 n2 L

* I+ L9 V4 L/ ^- }) T" X! d7 @' G

nanimarcus

多谢各位榜爷打赏。