faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

! a  [4 G" U- m3 H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。
( n4 b. o5 E0 u) W7 |( H5 m, u----------------------------------------
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
) h# |, z5 A6 i6 D8 W7 X5 E安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
2 y7 p! }2 q0 |6 ?' Y4 {; tpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
) d0 l6 V8 F( L" e: Y% |6 i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。
* d5 o8 b5 S6 O/ O5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
  ^  b8 I. H2 }4 j" e" D$ _6，pip install faster-whisper
( I7 Y: ~$ B" n# M5 K: _----------------------------------------
4 M# Z# G8 U; M( Uwhisper 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：

& M9 \. x: J  W" \( m# Q! ^----------------------------------------
$ X1 u( A) [# L: ^+ W- K( l
6 x, X2 z% N0 a# y1 _+ Lfrom faster_whisper import WhisperModel
& y: D9 h, x9 h: J2 r8 Q- f
- `* F5 G& j0 e- g; ]- nmodel_size = "small"
( P  z0 P# d( s1 B
model = WhisperModel(model_size, device="cuda", compute_type="int8")
& W! S- ~' {$ X/ H- a
segments, info = model.transcribe(
% P! W3 L, z8 T    sourceFileName,
; F2 v" O5 v, p0 e    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
! Q& E! _" i3 M. b    initial_prompt = "Hello, welcome to my lecture.")

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

/ ~9 S# a! Q. `        for word in segment.words:
               
# c$ v% E) h' ^# L9 ?  U----------------------------------------

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。
( r. X4 e4 w( K! ^9 G2，segment 本身是很粗糙的，做字幕勉强能用。
! }) B/ W+ y7 t0 i7 d3，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。
% U& T: _  E3 W( b0 W0 G5，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,
& s+ q1 W; Z2 t5 Y9 S保证了你能拿到 word，否则是拿不到的
1 G. `+ T% Q$ ~- ]* u% d; D    initial_prompt = "Hello, welcome to my lecture.")
1 ?4 h$ A. Q9 X& T2 [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：
! o; z, Y* z6 R4 lhttps://github.com/guillaumekln/ ... isper/transcribe.py
' w( J/ ^2 A! X152 def transcribe(
. D( ~& H: g  P# D: B. w从源文件你可以看到是支持中文的句号断句的。

/ W2 V2 B* p" J$ B+ F6，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。
: P7 \# k1 z: |% p; a: m* K" r
# D* E7 p  L2 \7 ?

3 R' ^3 }6 L0 K3 _

nanimarcus

多谢各位榜爷打赏。