faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

0 b4 o3 ^! w+ {; Q
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。
( D9 O4 d( N5 _8 a----------------------------------------
- u' V4 q9 D. m1 V. H) C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。
- E9 J# E7 V9 Q. ~! a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。
  v; r" Q1 Z* y! z; X) G: z9 e+ t* B" x----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
  G. N( i; D/ F# B+ m8 n3, CUDA 12.1
: w. L' G9 C+ {1 w6 S- X! D. y! w4, 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，pip install -U openai-whisper
  @  [. F9 Q* \( H3 N7 y这是向whisper 致敬，可以不装
1 G4 K: x. v' H' z4 f% V  f6，pip install faster-whisper
3 g% @. }$ n8 r----------------------------------------
, `% d8 v+ }7 T2 l9 L2 h8 H4 b. W, Xwhisper 我用的命令行，faster-whisper 我用的是python。
$ d: d1 E: S" c$ a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：

9 B! ]/ c( y* w3 _5 A+ c# I  r& I----------------------------------------
0 r  v$ [& o4 w# B) G
from faster_whisper import WhisperModel

& q9 ]7 x) b: E5 o6 W) n/ J3 {) Rmodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
9 n1 b% \; R7 d
segments, info = model.transcribe(
- b1 o) A' |  M& [9 M3 z    sourceFileName,
1 _, o" b6 A6 P3 H% E9 _    beam_size=5,
    language="en",
( w7 [* {( p  l. p7 V: F8 D    task="transcribe",
    word_timestamps=True,
" }+ h. r5 R  U) b4 J5 G$ E    initial_prompt = "Hello, welcome to my lecture.")
% j" V- n, H$ h) Y7 B5 U& E
! _+ E/ c9 y& A3 G; I; wfor segment in segments:
+ s- v3 |, K. e2 a! J# o    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
/ q- [  i& n1 q( }----------------------------------------
4 c4 i2 x& X$ N. k) D
% y% s+ t4 g6 @4 u0 K代码说明：
/ \  O' Q2 J( y6 ~% D6 G- b1，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。
) u* U6 f. k, S7 k! ]5 r1 x. F3，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。
4，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：
8 {, Q' F) \( F  u  K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
$ S7 ?" t: t1 I8 }& y- e其中
8 W8 c& f/ W- ]6 [    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。
7 J: ]9 y+ o0 y& o其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
) t0 b( B" d8 {152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

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。
; O5 z( Y" m( i: ]+ o' a8，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。


& O: h% {% u% B6 j* h9 z+ B5 d
( U5 E* R# A6 u# u5 b* d2 M

nanimarcus

多谢各位榜爷打赏。