faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

* N9 ^/ d$ o# l2 M3 u5 x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。
- N9 G; y0 ?1 p7 L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。
, R0 j7 g7 y# o9 p----------------------------------------
3 }+ W0 v0 E8 X# M/ m4 K" o' r, {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。
3 t3 t+ J  z( S, [----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
- ?9 `' R0 E1 u, G4 `9 T1, Windows 10
2, Python 3.10.11
% V# }1 u" r6 r+ Q; c5 D3, CUDA 12.1
4, 在python 3 中安装
2 ?' [& b$ b* I7 Z; Spip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
  N, g2 \4 m7 ^" x7 i- \0 S( l) _" G( [0 q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
- N+ g6 y7 R- M7 s: w  i这是向whisper 致敬，可以不装
; ]# z( [2 d* E: Y6 }6，pip install faster-whisper
5 d% T8 M* U3 m; a----------------------------------------
% }5 i: z+ B) }+ R7 m7 r( r& ]. ^whisper 我用的命令行，faster-whisper 我用的是python。
- D5 D& J8 ^0 S9 I9 N' i8 ?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：

----------------------------------------
0 q  v* t6 F# \
' O# `% X3 l: ~1 h% x& N4 @) Yfrom faster_whisper import WhisperModel
$ b9 T$ e- H/ F
0 x3 Z9 z* U3 L1 Jmodel_size = "small"

* o( ]& B# }0 {: p; U7 N1 Jmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

/ l% o  I" D3 {) x# V& I  ksegments, info = model.transcribe(
    sourceFileName,
7 c% i6 h7 l" b& G7 d" k$ y    beam_size=5,
    language="en",
    task="transcribe",
( ]! l& Q( H  U6 _$ B    word_timestamps=True,
6 t" A' R$ o: C( m. f' x0 W    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
9 Q: g6 x& W6 `7 `. M6 A4 K- T9 x    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
* e8 t% G) ?' f; x4 ]: R
        for word in segment.words:
               
----------------------------------------

代码说明：
! e: Q* _8 v2 h7 N3 v. B: @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。
/ f$ e) Z! s1 D1 T! O! b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。
3 @2 ^* F' V# u3 w+ r2，segment 本身是很粗糙的，做字幕勉强能用。
; Z) h7 @, G: X& |: t3，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
& J3 X) {5 `1 l8 F8 ~8 A比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
# f' E- \# r; j& j6 k) Y5，model.transcribe 中参数说明：
6 B% @; ^1 q% @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,
+ v- p  S+ @+ b" @- t保证了你能拿到 word，否则是拿不到的
6 n; h6 {5 }2 @6 H* A) E) E. t1 K    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 m- R! R; x5 Z) l5 I/ S( f+ S其他参数可参考源文件：
8 a9 c4 G: W, u' Q9 ~( xhttps://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。

1 \" O2 ~1 }6 w$ 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。
$ F3 J2 P6 N& }( E* a7，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。
, k$ Y+ A5 O" Y9 g/ P: Y) W8，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。
/ P2 @, N" h, D9 N2 n8 {


" o7 e% f& G# ^8 J4 h; @% l" Z

nanimarcus

多谢各位榜爷打赏。