faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

% m+ N7 s$ C9 ?+ Q6 L
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。
( ^! n" [! n3 |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。
----------------------------------------
/ @  C* B7 u7 k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。
1 E5 S3 {( a4 X. d  L. N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。
/ x4 F& j+ F: M& W% h' z" U----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
3 m0 _" [, `; F) }) f1, Windows 10
2, Python 3.10.11
8 Q/ J7 k0 b3 z3, CUDA 12.1
4, 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
这是向whisper 致敬，可以不装
# s9 n; e. Y9 C. ^6，pip install faster-whisper
  {+ X6 U* d, X  B, B2 R----------------------------------------
7 }7 J; N0 O2 Vwhisper 我用的命令行，faster-whisper 我用的是python。
5 |  V8 P# k2 O' Q5 V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：

----------------------------------------

from faster_whisper import WhisperModel
$ I6 f. ]& @; P! {
+ w" b5 }& W; b9 [. dmodel_size = "small"
! ~& M: C) D$ |! X
model = WhisperModel(model_size, device="cuda", compute_type="int8")

1 }) X7 a7 @( v4 h8 }* _segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
. V% j9 j. ?' j    language="en",
    task="transcribe",
5 J+ q4 k/ D# a  }# H7 ?: Y% i    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
; L0 d9 P5 H* w8 \! s
for segment in segments:
! `/ q7 X1 W9 s4 P' \: d' E3 a$ ^    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 }4 |2 e' C/ g$ q
( c) c' `& v; p* i, e& p) J8 Y        for word in segment.words:
               
/ P9 m8 t4 p3 J; ]# D0 E----------------------------------------
: Z, ]. U6 C1 t3 R) ~% B% 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。
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。
  D6 q( m$ {. i, z& g0 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
7 E* X1 C" O3 e" Y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,
+ ]6 [* u( U1 u, W! i5 ~8 Q保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
: R/ A" R: G9 r5 F; x保证能尽可能准确的断句 punctuation，但是不是决定性的。
其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
2 n( G3 T7 J$ B* K( g从源文件你可以看到是支持中文的句号断句的。
2 w% t# i, Q# |2 w7 j
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。
+ Z& w. u) M4 u. l

* v/ `$ D: @$ _9 Y  x, M8 B% L) P' D
$ g, l" k: j. k7 S: B

nanimarcus

多谢各位榜爷打赏。