faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

# C9 h6 p  k& s# ~, b0 t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。
3 n2 X2 Z6 ^. G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。
- S1 y& s, R( v0 U9 k7 D----------------------------------------
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。
8 z) ~& `1 _% ~0 i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
* o" i0 k6 h5 L8 ?+ M) u' h安装如下：
/ J1 N7 O% P/ b6 o' ~1, Windows 10
, T3 N2 T9 |! y; X$ i& X2, Python 3.10.11
8 W% C, A" {. R/ h( {& F: K* Q3, CUDA 12.1
- Z9 U- z% P+ L8 M/ ^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。
+ T/ Q( j9 [6 \: r  @- r- q5 S" Q# N5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
# A5 G  y/ z. ]6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
9 v8 v- U( x. e# A8 b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：
, \( j% h. R0 T  g# N
----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
! A- Z4 O4 C$ H0 {  @$ V
6 m! l  b, m: ^9 S( m# C. U/ Isegments, info = model.transcribe(
6 W( r8 M  u/ y& Q& U; _6 c    sourceFileName,
    beam_size=5,
+ `" Q' X0 [5 i8 f2 e7 c% a4 D    language="en",
; l. I5 ]  ~4 f# z+ `& z    task="transcribe",
- Q$ f3 N) I7 ~) Z  ^: ]6 a    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
& ?2 y" u1 ~: [5 c8 v
for segment in segments:
# [4 k) |1 X9 x0 ]5 }8 x    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
. W1 K" T6 R4 a' ?$ s8 b  Z4 J----------------------------------------

9 L, o$ l3 r# z( j" j& ]. @代码说明：
1 \+ D# T6 g! S, ^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。
6 T% j! w( X8 v; X# _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。
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。
% E; ~: m; `* V9 b7 M* _; w5，model.transcribe 中参数说明：
- J, ~7 ]3 y. n: W, n+ `4 W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,
2 [1 S+ p; k' T0 `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。
其他参数可参考源文件：
# O4 K0 Y& j5 ]3 J3 N2 dhttps://github.com/guillaumekln/ ... isper/transcribe.py
+ i& d* i( q' a" _6 r- h152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

1 S% y( C# |8 I# v3 @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。
; @2 b& w* {' z; k( S8，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。

nanimarcus

多谢各位榜爷打赏。