faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

) t7 _- `( o4 a5 w8 f$ 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。
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。
: ^% Z; v5 O, L& P* _1 B* p$ m/ o. I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。
% k7 {5 Y  _' o; s+ ^----------------------------------------
: c( ?1 ~' B  M" @; Vhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
0 Q  o4 j2 S: m0 D( @0 I2, 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
' A* f/ z1 P* Q& m7 b. |! d: 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。
. i; E  ]3 }6 N# G' v1 @5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
( e  _0 G# Y1 I+ t! _4 C$ u& v6，pip install faster-whisper
----------------------------------------
whisper 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：

4 p- x6 Y8 s! P7 [' K& s( A# ^----------------------------------------
% q6 x) a8 S- H9 S4 z8 L2 u
from faster_whisper import WhisperModel
, {. E0 W4 P' P3 O  d
4 l3 \- x' r. P; I, S4 Xmodel_size = "small"
( A0 M+ ?. w- p' h- W
5 k9 q- k# J1 [) ?+ N" Xmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
+ |; L& k. }! b0 x8 z% y; x
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
" u2 @% P4 f4 l& _; o1 v5 g2 a    language="en",
5 M5 n, _6 k* O" E    task="transcribe",
    word_timestamps=True,
5 D2 Q" k' }' o! d; p4 [) s% U% l    initial_prompt = "Hello, welcome to my lecture.")

% q( d8 L3 n8 e8 O) i, Z3 F+ Xfor segment in segments:
# n) d9 C+ F" C* H$ n( b    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

+ d- S2 I$ W; }: s3 A        for word in segment.words:
               
# L- |- o. M3 }2 D- B----------------------------------------

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。
. t+ t+ f( |' r5 e4 a! l  b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。
5 o. O, B( q9 D  T$ o0 Y+ T4 v3，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 e+ I; P; e5 R0 l4，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。
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
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
. h/ l3 s1 ~4 u' D) g3 I5 u) U) ^    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。
" [1 ^1 \1 o+ X其他参数可参考源文件：
+ z2 L  K& A( Dhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
0 i$ s8 I: O9 x5 e' g# N从源文件你可以看到是支持中文的句号断句的。

, W2 Z: L; F; I9 P! q6，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。
2 p" J# f  j! k( ]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。
! p! B* A* V' v6 r- D& s
, q8 J, E& r$ H$ B
: c+ Z. b9 m" l3 C5 t% d
& A. C! t9 O  q+ `. n) e

nanimarcus

多谢各位榜爷打赏。