faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

1 a3 K& u( y  L% [9 @+ T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。
+ a6 w' t8 O% }, F2 e, 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
$ G; j2 V% n- O" P安装如下：
7 I1 A! v2 S. i% O# V; j1, Windows 10
6 _) F+ r( j& o* @! Y  F9 c) o9 _; h5 ~2, Python 3.10.11
3, 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
% u. Q2 ^3 o% V  }/ G5 ?2 `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
! o4 t! K* `; g: x这是向whisper 致敬，可以不装
6，pip install faster-whisper
! H& _3 V1 c9 c6 W7 t5 y----------------------------------------
  A9 p$ D" b% H) \. }whisper 我用的命令行，faster-whisper 我用的是python。
0 \! C3 M* s) J; w5 \% E& T3 y6 ?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：

----------------------------------------

from faster_whisper import WhisperModel

$ A; ~$ H2 @2 l( J' ~6 V; H5 X+ pmodel_size = "small"
8 O+ Y( @. h1 u3 Z$ O: z% ~2 o7 e
model = WhisperModel(model_size, device="cuda", compute_type="int8")

5 s6 y; M% O- c2 x: x1 ^segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
5 J9 e( Y( J# f    initial_prompt = "Hello, welcome to my lecture.")

, l8 ^3 I; [3 B: O0 T  H8 Jfor segment in segments:
* d6 y$ D9 Y( P- k    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
. j& h  Y3 Y- h: w" R: P
        for word in segment.words:
               
# b2 B% I$ H8 E+ {) m) D! a----------------------------------------

0 t  H6 x3 g9 R; Z- Q$ g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 r4 w9 ?' e$ R& ~. P! ^. q. j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 n# W( h+ k# ]) y: I2，segment 本身是很粗糙的，做字幕勉强能用。
) W" \4 ~% J# D/ d& Z3，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。
# j: v" Y! q5 j0 r4，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
, r; J0 I+ F7 I4 e( K( j- [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：
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
; o7 L' S' V4 A% \" s/ ~+ y    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
% o; C  E; _) f& a, ?  M9 T, o( h    initial_prompt = "Hello, welcome to my lecture.")
8 R, `7 L  r0 B: q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：
6 v  k( [% {  C& [! x+ c. \/ U- |https://github.com/guillaumekln/ ... isper/transcribe.py
( {4 m8 p; w3 N- M  }% A152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

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。
: j4 Z& \/ `2 x. E+ \. m- @$ c5 Z8，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。
3 ?1 ^& {2 @7 B$ e" z2 C


% l- f; o: y! @. e/ H' u) L+ D

nanimarcus

多谢各位榜爷打赏。