faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

6 R. w: g# ]8 z0 K' ~& R3 \4 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。
5 c* q4 w1 ]1 i+ Y( r# V) u, d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。
: b+ T* x9 a$ C# G4 V----------------------------------------
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。
# X$ b- @8 w" |/ Y5 O8 A2 ^) U4 W- d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
+ g( E: k  y' y+ ?安装如下：
1, Windows 10
* w; m* V! l( `+ x- u$ @& [+ a. J2, Python 3.10.11
3, CUDA 12.1
8 \/ g# R6 ?( s& N+ i4, 在python 3 中安装
pip 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。
5 Z5 v, d, d) e4 K4 I5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
/ D3 f2 F/ P4 Z& Q- \* [6 uwhisper 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：
8 v$ ~/ a$ d$ y6 T+ z  t. r
----------------------------------------

( ~% I' ~$ r' G4 V& @6 [from faster_whisper import WhisperModel
  Q' X3 x  [6 R
model_size = "small"

: ~0 S2 r- r2 a) S4 K: S5 emodel = WhisperModel(model_size, device="cuda", compute_type="int8")
& ~5 H' O/ S2 j5 L
segments, info = model.transcribe(
, k& B) E+ d0 S% ~/ I    sourceFileName,
/ w8 S( h: r9 g) T5 ]    beam_size=5,
    language="en",
    task="transcribe",
" V  c- R+ ?) y% p- N% \6 T    word_timestamps=True,
  g, m2 A) \; i+ q: K    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
) c" K; C4 M0 A9 f( L0 Y
9 z+ _7 R* o  W5 n        for word in segment.words:
+ z# D  r8 E, t; h' |2 O               
----------------------------------------
% A) S, k0 H3 @' ~- t
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。
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。
8 |) h" C& T* i$ b0 V2，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。
1 |% T8 V2 X2 ^2 i2 y4，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：
1 C" ^4 u* R. n3 ?; j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
0 r" Z% ?1 Z! \) R    word_timestamps=True,
/ f$ H4 h5 R1 x保证了你能拿到 word，否则是拿不到的
( w% n' R) L4 z% L% A    initial_prompt = "Hello, welcome to my lecture.")
) t* t9 D  V  s6 E; }保证能尽可能准确的断句 punctuation，但是不是决定性的。
4 B/ p$ l  M2 g0 e- Y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。
% p0 }+ ^4 ?& P! ^; v& ^+ c# c9 {
6，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。

) |& }3 C7 ]9 X$ j  I

nanimarcus

多谢各位榜爷打赏。