faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
----------------------------------------
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
安装如下：
1, Windows 10
2, Python 3.10.11
% d: v8 ?7 V9 N- d) s# F/ f3, CUDA 12.1
+ P7 V+ J3 B5 ]/ x" X$ H4, 在python 3 中安装
$ a4 z$ x7 H0 A1 ]. Rpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
* l" \5 d  M0 H$ f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
3 o; p; }$ Y3 o* N1 A8 i这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
& b4 V0 W2 N  [0 uwhisper 我用的命令行，faster-whisper 我用的是python。
' J  m- i! f# C% f* ?: l9 o+ {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：

( j( Q1 K% {9 l  j3 Q4 O! a- Z----------------------------------------
" w  p4 F# _8 z  \
" ^  H' j( w8 V: ]: @from faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
* |2 ]  k6 P) A" |7 R    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
6 [8 b1 I. Z6 X    initial_prompt = "Hello, welcome to my lecture.")
# L+ M% h3 W2 E( I/ H2 g
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
& N+ x& M& a+ e7 e
        for word in segment.words:
               
----------------------------------------

代码说明：
# X) j) g2 {! h( M: I9 i1，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。
* C6 E6 c( R4 S4 x9 @* r9 Y* D2，segment 本身是很粗糙的，做字幕勉强能用。
! C; X  L4 k3 U. S- v2 `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。
6 h! d3 Q7 U) W3 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
9 J/ o6 ]# \% O; E6 F, t) ]" \比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
: V, }3 b) I- ]! e5，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
% F7 ?& a- \) w" ]- O其中
    word_timestamps=True,
0 z3 z: R  V+ c. i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。
其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
1 b6 n% b$ t* }2 h2 C6 _6 h; O152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

; w5 ~+ y) ^3 L6 J: d1 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。
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。
* U' |. R. r$ n. Y8 v& {, ^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。

! K/ f+ N, Z6 {# j- b  E& e( p7 v

* G, C- |3 q. c' a8 Z2 A

nanimarcus

多谢各位榜爷打赏。