faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

& ~3 }6 J. s# U3 u
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。
) ?1 S. u2 `7 F( _" g/ S: e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。
: V6 A" g% O7 d----------------------------------------
  i) W) e  E. r" Q( `5 |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
8 J( F0 q- k, Y( m6 E; E2, Python 3.10.11
9 @' X/ C8 M7 n9 w  y" z7 K1 T  E3, CUDA 12.1
4, 在python 3 中安装
+ c  y0 P8 h% F* s% Q7 X5 y1 ^% hpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
' q: p' A; Q8 x2 C9 a; B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
# k. i: M/ Q6 d' H4 |6 c( A这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
' h( |' ~: o+ X+ D3 o$ 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：

, k, p  [, O7 o2 N/ o----------------------------------------
9 v6 M+ K: @+ w; H2 V
- ^8 a7 ^% Q0 S; U; `from faster_whisper import WhisperModel

+ U) z- |1 t) ?7 U! C9 N4 I: mmodel_size = "small"
+ A; V- V9 q6 T! m& t0 g# [( p
% P; j0 L2 b0 t+ u! N; L+ f+ Nmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
, ?5 n9 d) f) R  w1 H0 @7 H4 J
segments, info = model.transcribe(
6 B% ?. H1 @) n( A6 R    sourceFileName,
- R5 d9 F4 `7 ?7 Y! @, d. S    beam_size=5,
6 C2 w* o& y  Z1 u9 W0 ]" r    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
- r  b4 i7 S; C; G5 l2 J* D! x    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

& s4 g6 v8 j/ s) V3 w; B. u        for word in segment.words:
, D  d" [9 u0 V1 ~+ T               
8 }( G6 |8 S: f  X$ F' N----------------------------------------

8 `9 A3 x& ~0 s代码说明：
7 W+ s: Z) N6 v; ^+ R6 B: n1，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。
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。
2 t: C: k, W/ n- X* X% }+ q4，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
! f; g9 y+ g0 l; g1 k比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
( A$ B, R8 g+ k+ g9 ], Y" F$ d5，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
6 i( H7 F# ?- P其中
6 E5 r" U5 d1 ]0 y  V3 H    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.")
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：
- w2 u1 L$ c2 K5 {2 `8 @+ Jhttps://github.com/guillaumekln/ ... isper/transcribe.py
0 X; x! J* f1 p( b2 b3 e; k  D152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

. e4 |( x' y  P1 Q2 \$ z6，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。


4 X7 ~  p$ m4 V8 \  d8 `/ U
8 ^+ w& Z9 @: {! j

nanimarcus

多谢各位榜爷打赏。