faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
, E! N: p( P5 [8 Y( Z0 _$ @----------------------------------------
$ G: \5 H+ }: T" m1 H* |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。
+ N0 j' v) V% y3 M! ~. _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
. y2 A6 U4 a; t& j+ _2 J安装如下：
0 J9 X+ x5 D% [: m9 B5 |; c. Q( S1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
* s* M0 B- d9 t' S4, 在python 3 中安装
5 \& R% f5 G  ]pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
" P  t; N% Q, K- z0 a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
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
+ F3 K2 e. k. e- k9 i. X) hwhisper 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：
+ n- I2 z9 e0 g% Q
, [* A# }9 E5 @( d. G; I% Y----------------------------------------
" Q5 p' I% k, F
from faster_whisper import WhisperModel

model_size = "small"
) R9 I9 r4 |9 H; k% s+ `5 z$ [
2 l5 C) L5 R7 ?5 [. T. Nmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
0 K6 a4 S4 e( M! ^2 R* s
segments, info = model.transcribe(
    sourceFileName,
" u0 u% u* u5 [! s$ a- F    beam_size=5,
+ [9 v& F6 q5 ^4 Z7 C    language="en",
    task="transcribe",
- l; L+ g6 c1 V    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
. s6 r- k+ S" }- X( F" _  [
& }9 J5 K% y' u) N# Bfor segment in segments:
9 x- n- @1 J/ z, z    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
# c( S$ Y& S( o6 b' i. h
: X+ B' U; o3 W) V/ n        for word in segment.words:
               
----------------------------------------

" b; w# e8 \8 g4 m& M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。
2，segment 本身是很粗糙的，做字幕勉强能用。
: ^9 O; U& z4 h6 L4 D8 W: N  o/ t" v) N3，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：
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
8 k; d8 @, n, O' Q0 r" u. {+ M其中
    word_timestamps=True,
9 C. q5 |. e, P& \! q1 p' m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。
! a% r* p0 Z- E- C( p4 X; e其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
* p* X( [/ Z+ X6 ^3 t1 [# G0 ^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。
4 ~  z0 }: c) c/ g- V  p8，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。


! }7 D8 H" z4 h& n1 m8 e
1 T9 }0 l( y9 K8 r% G' C

nanimarcus

多谢各位榜爷打赏。