faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

; o" m  n6 k" @" b1 H8 z- T
( c/ `# C0 ]3 Q2 T! s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。
' F( s  A; d% I" K6 w/ M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。
----------------------------------------
3 V1 o8 z, l" t- G8 d+ q5 k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。
+ D4 M/ n# x2 A: L: l, Y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。
. f; \' W# E5 x  ~----------------------------------------
9 \2 R! ?$ W) D$ ^4 ?0 Ehttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
6 P. F# p: L* l7 R5 }" n3, 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
4 F/ f1 x% a' c这是向whisper 致敬，可以不装
1 @7 Z* P# L1 X% a  r6，pip install faster-whisper
  w/ }5 C& O  N9 E% l- j$ A. ^6 w----------------------------------------
" u' a  w7 u3 j0 c5 c* Y, `: Ywhisper 我用的命令行，faster-whisper 我用的是python。
/ }/ l3 Q# W: L0 X, m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：
+ \- f7 _$ P3 V. i* w1 z4 k2 L
- }! y2 C" U8 K! i7 V: V----------------------------------------
7 f9 P3 _- @! N* _5 [: d5 _
from faster_whisper import WhisperModel

  X' m- U1 q( W$ Umodel_size = "small"

3 E* ~& ^  s. V2 g3 G* lmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

9 D! l0 i/ Y" h  Usegments, info = model.transcribe(
1 g. g2 `) i9 c; |. {$ z4 O( w    sourceFileName,
    beam_size=5,
    language="en",
2 j. Z( T5 e$ }6 E& a    task="transcribe",
: d7 ]: t5 J) T- y' k! {    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

3 N5 s1 P0 T. Zfor segment in segments:
2 F3 i8 Y; v% `+ O- G    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
; O3 a, ^+ U. Y$ l; B+ S! o* X5 Z2 p
        for word in segment.words:
+ }! d/ R& }# J8 z% F               
6 X: L! Q; p; F----------------------------------------
+ r* J" G" W0 w; ?
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 k9 S; i+ W& x7 g4 ]* j$ z- E4 e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，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。
+ \2 o1 j% w! P5 T$ L4 p% ?5，model.transcribe 中参数说明：
/ K5 X1 m3 _. Z' U! {; {) k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
1 {6 o2 E' r, j7 K% B- o' I6 I2 K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.")
1 `/ w# X  [4 j) v: {; T保证能尽可能准确的断句 punctuation，但是不是决定性的。
5 C7 u& p4 i. ^( x( w) @: a, s其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
6 K3 a# ^# N- G0 D* R从源文件你可以看到是支持中文的句号断句的。

7 e, E0 O% L* ~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。
! }# o6 V" H' F/ W3 M7，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。

2 d3 o; `' u; I: @1 v: \9 Y$ W
1 D. D! h7 J" M$ d: S" J
# G) [7 i, @4 ]2 B5 z$ h) Z

nanimarcus

多谢各位榜爷打赏。