faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

. W" n; m% G8 \, ^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。
9 {+ d8 V8 p3 w; Q7 x* 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" C8 p% |" F0 {1 y- U----------------------------------------
: c' z4 O) \% B# nhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
6 u  R- D4 p( }/ Y6 S2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
2 g5 x/ E+ \- j; p$ W" R. Hpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
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。
/ _4 @* i( q9 d4 \5，pip install -U openai-whisper
! q# [+ m2 B- ]" x这是向whisper 致敬，可以不装
$ P% v) m4 G) j! \6，pip install faster-whisper
* ~! g3 A* C- t- j" o, U& E----------------------------------------
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：
" o$ j, o( M4 ^6 w) l
----------------------------------------
% A6 [5 f# ]: W# y8 \) u- l1 i
from faster_whisper import WhisperModel
# w  V, D- p1 W1 [
model_size = "small"
9 s/ m7 B: F. Z
model = WhisperModel(model_size, device="cuda", compute_type="int8")
8 i; P; W# l4 ?4 j
& z8 p) v) u% W" O4 D5 i$ a2 G/ S. ]segments, info = model.transcribe(
% W" r9 k" v* D' ~7 g' \" N    sourceFileName,
- V, ~9 K/ {& Q7 w8 _, v    beam_size=5,
+ i8 l( \7 Q1 e- m5 x3 p    language="en",
+ x, T& j8 d! t9 J' ^    task="transcribe",
    word_timestamps=True,
7 L$ W/ g/ n# _* w    initial_prompt = "Hello, welcome to my lecture.")

/ K; G7 b- o) d3 T7 @$ |; Yfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

, W2 \! ]/ W1 {2 I& [) d7 S2 O- T        for word in segment.words:
               
----------------------------------------
% E! [. v- }3 q- `8 U4 ^+ g
  j2 ^8 q6 v' x# h代码说明：
, p/ W% s+ c( m7 V* [% l1，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。
, a! R+ c3 K9 P8 E9 D# {8 Q: f4，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
$ D, q' U3 j, u4 [. K6 O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,
: W1 |5 S. M& S' w保证了你能拿到 word，否则是拿不到的
; o8 l0 V- e% S$ D; @    initial_prompt = "Hello, welcome to my lecture.")
$ u9 ^6 N) N! J* ]  f  V保证能尽可能准确的断句 punctuation，但是不是决定性的。
. g2 {9 _( _7 ~; E, y其他参数可参考源文件：
2 x% K' ]0 t+ d+ d' G# W* jhttps://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。

6 m/ h' I7 N, q9 ~0 t4 _/ B/ {5 b6，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。
; B1 r5 W1 D. R  l7，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。
$ c4 M+ I) I1 j8，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。
( B# z; Z) I( F. B2 x, m
- A. E% v) }) q, W( P/ y. N
3 D# E8 C4 z% V1 K7 H+ F
! _# z6 p/ w; }

nanimarcus

多谢各位榜爷打赏。