faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

% \) C  z2 b/ D# ?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。
) G4 J, Y! |; _! @----------------------------------------
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 Y5 s0 S! h  w1 d& j6 G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。
# L% r5 @3 J& w* S4 e/ a4 G/ s  Y----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
" |' |  z$ p) M1, Windows 10
- J# b" X: J( Y+ w# M2, Python 3.10.11
- g. c1 o( X0 [& _; T/ X3 h3, CUDA 12.1
4, 在python 3 中安装
. m$ C' q' p% v% \) Y# dpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
- r  I" u( q3 W$ W& G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。
# l+ F5 A# \, V% Q* `5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
$ n" K# |* w( m5 T- [  w0 ~/ d6，pip install faster-whisper
( o; j. N& w1 o' D, o----------------------------------------
9 d: s8 L8 r, l( [whisper 我用的命令行，faster-whisper 我用的是python。
$ z$ H8 Q  K7 u4 [' \; m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：
% {1 m' k- [- X& @: }% e
----------------------------------------

from faster_whisper import WhisperModel
  \0 `; t9 B" P
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
& V9 p: T5 j3 M0 i( x6 q0 A, @
' ~. D9 ?, O4 y) Vsegments, info = model.transcribe(
  k. F) r( a+ B* {* k$ M: ^" S    sourceFileName,
6 q0 Q6 l5 y' b# A% V* `    beam_size=5,
9 u+ F1 t9 x* o8 n. Y2 l3 y. V    language="en",
    task="transcribe",
; j) H6 j$ h: z1 W. k3 y    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
0 M1 ]. T8 T% s- A+ ]0 o- _
8 H; }; @4 y9 k0 k7 s        for word in segment.words:
               
# ?5 r: ^; U& L2 Z, @! q----------------------------------------

# x" u  s8 c2 a8 f6 K$ V3 R  Q* ]8 H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。
- Z7 m2 F9 N" y$ ~0 F1 K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。
3 K) |3 [+ \. A8 Z' }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
6 h: b/ e& H5 g& m& n比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
! K7 R2 c! y  \. a4 k" ^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
: k, T, t8 |) ]1 B+ R/ @. _/ H2 n其中
    word_timestamps=True,
* C" Z" \! D* u& c% k0 y9 }保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
) K7 e# U: u9 y! A2 I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(
# j% I) R( o2 V9 O- u7 I$ Z' n) i从源文件你可以看到是支持中文的句号断句的。
! i/ h2 P* H; e6 ~' V0 o9 r
7 B4 J, F* G. r( x4 U3 [  Z2 P6，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。
$ H9 r% ]4 O! p( @/ f+ c' D
; i7 Q8 E$ _, g

nanimarcus

多谢各位榜爷打赏。