faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

8 Z9 g0 G; q6 V: k! l; k' O
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。
0 a9 R$ ?4 [. J! y0 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。
  H! b5 t, [- y0 C# G, \----------------------------------------
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。
----------------------------------------
' m, R, }5 m: W# ihttps://github.com/guillaumekln/faster-whisper
安装如下：
7 r" ?0 X  L5 g2 y$ Y! X7 @1, Windows 10
/ b5 s  u: [3 e0 j% }6 }8 H2, Python 3.10.11
0 P& F- T9 j# ^6 c# s3, CUDA 12.1
3 \+ q4 z' a! ?1 M8 X8 V, K* C, A4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
2 P  _, C! Q& _6 t; e6 k6 X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。
+ l: ^  ?3 L3 u: y8 t  }0 j' e6 }5，pip install -U openai-whisper
. ~6 Z3 h9 e- `* m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。
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：

. A% e1 y- J$ Q6 h5 I8 q* \----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
3 K* |. e$ B% Y/ I
$ T. n, n$ x% a) D2 u  U7 X7 vsegments, info = model.transcribe(
7 C8 s1 z: x- {4 S8 ]3 P    sourceFileName,
    beam_size=5,
- G+ V6 R; f; g: B, `5 K6 T    language="en",
    task="transcribe",
$ f% W, g5 C9 d    word_timestamps=True,
" L5 ?1 u, K# `6 Q) W    initial_prompt = "Hello, welcome to my lecture.")
' E+ A2 `# O0 @: ^' l
! e7 ]: C; P2 Ffor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
; v; ~3 o3 v, i" T6 }5 c5 \
        for word in segment.words:
               
  z/ @# U4 F- c5 L----------------------------------------
+ {9 E  G7 U7 n
代码说明：
2 ]2 X7 G. x$ k7 ?* }  O) j, ^' 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。
) Z8 N& w/ I+ \! B) _5 c4 s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。
' n" N$ V5 M8 C; J3 L$ N  ?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。
9 \( X% k/ K* B: d4，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：
, n0 G* t' z9 f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
- ~1 {8 c! d( r% r$ a其中
    word_timestamps=True,
  a* P1 t2 c3 b保证了你能拿到 word，否则是拿不到的
8 P2 T0 ^. g, C4 N' T    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。
$ {4 z5 A+ G( j7 l其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
8 x  D, z. Q' i
+ ~( Q+ P6 P. w  ^: g0 m6，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。
8 G& X4 j' P% P6 X; @: s7 W* ^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。
3 G* w5 J$ w& q/ J$ P) K

# O" k" q) P* P$ _/ ~: J/ t% P

nanimarcus

多谢各位榜爷打赏。