faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

$ ]/ P' o( n0 f/ 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。
5 \$ m. e+ C, x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。
+ g9 s" |; h" ]+ I0 O. u5 f5 Z----------------------------------------
: m* C' @3 |- h, d8 u0 m# V7 }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。
9 d9 g3 K* o" T3 s- {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。
6 [6 r  ]4 }" s3 q5 N3 g8 r( G----------------------------------------
( o7 ?5 M- u* ?, Vhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
* d" i* F& ^2 U! l+ Q2, Python 3.10.11
3, CUDA 12.1
8 F3 W# [6 [8 t  L4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
% N" _% ^. D# [3 ^) |  G* z4 N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。
/ j/ U- e$ b8 u/ x1 M9 t& q; y1 m5，pip install -U openai-whisper
3 z. l1 Q) b  b: K5 M这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
+ R6 [( z! l( _4 j! j1 V$ _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：
7 f$ ]: d/ `0 K4 R
  \% B4 E& O, |) Q----------------------------------------
, B  l  o5 h( p# _
* d' s3 j$ D5 c7 s/ ]3 R1 gfrom faster_whisper import WhisperModel
4 U4 q# R: R. i/ D
model_size = "small"
' M! P8 k1 `# F4 e; [6 W
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
; i  r: e9 j( D! s% L% N( E+ [    sourceFileName,
    beam_size=5,
7 _& Q) j; t  }/ {8 S- U' F    language="en",
' ]9 T) X. j% [9 `$ |    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
( ]6 k1 G* l6 r# V) B
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 W2 I! M& ^5 M  k$ ]2 j7 B, B; n% c* b
        for word in segment.words:
               
( M! R: u6 L6 Q----------------------------------------

8 t1 E' ]: M" M# t. V+ O7 N2 f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。
* i/ F! h, t! D) I% |8 ?  h- J5 Y0 Q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。
8 B0 q+ X) c; ]' R  ]: b+ _2，segment 本身是很粗糙的，做字幕勉强能用。
( ~: g# i8 L6 Z+ Q0 {% X( L; K3，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。
+ F. j3 j' n! M5，model.transcribe 中参数说明：
7 Q  {! \9 q+ u; V3 H+ a. 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
2 V! c4 {$ q. a5 [# Y0 Z8 D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.")
7 A! N% O. a9 L/ I; \保证能尽可能准确的断句 punctuation，但是不是决定性的。
2 i4 T" p  W/ P5 K5 V& m其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
4 \7 M7 y$ ~0 _  D从源文件你可以看到是支持中文的句号断句的。

! a$ ^3 @% X$ [1 M0 \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。
" ^: ]1 a( @( g8 A9 R5 G" f/ o7，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。
7 w3 P3 h7 _% i3 Z3 [4 B8，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。


' d. S7 _( w- q: a/ G' c
+ h4 |3 h# X0 O3 }* W& m, j

nanimarcus

多谢各位榜爷打赏。