faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

* a  D8 O" l0 G! N' T6 q* x
8 }* q6 c" Q% t0 K' I$ z7 ]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。
% t0 r7 W6 ]' T9 J4 X) V" G0 j& R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。
) |: T* b& m5 X----------------------------------------
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。
----------------------------------------
: j* R$ y, v) ehttps://github.com/guillaumekln/faster-whisper
安装如下：
9 ~2 x2 w. G/ B( N4 J1, Windows 10
+ ^9 i, T  _1 U! [2 F. t* b2, Python 3.10.11
5 l- |) A! r+ {4 r. L# A- v3, CUDA 12.1
; O) I# ]9 S. M5 K: m+ v4, 在python 3 中安装
; B6 l6 L# {* y- F0 i+ c% H2 k) ^pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
, V/ G3 [0 t3 ~: K0 Z( D( w+ Z: e/ F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。
( [9 j+ Y+ V& }# K# c  a$ N% M# y5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
# x  n0 C6 _1 P# B/ owhisper 我用的命令行，faster-whisper 我用的是python。
$ y* o! X: \' m& o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：

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

3 M. A. z- j/ W' Jfrom faster_whisper import WhisperModel

model_size = "small"
$ t3 y% S! D7 R" @1 X6 o) Z1 b
# `; h5 g* x' _; U% r% `! o/ nmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
! k2 C) l, F( n3 ]2 C0 f    beam_size=5,
    language="en",
  N! C5 t& P$ K    task="transcribe",
1 J7 j5 g2 K0 a! [) D6 i    word_timestamps=True,
1 B/ j" ^/ G8 d( h0 P+ g8 \3 t3 K    initial_prompt = "Hello, welcome to my lecture.")
% B' A3 w8 M% q) C
for segment in segments:
! S. K4 v7 g& n+ U5 S  \    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
) m  i3 }: O6 _% m3 S% N& B9 J: l----------------------------------------

代码说明：
8 Z" [4 V! W. H1，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。
6 \5 W& e3 m! Q/ K4 r; Z/ r1 Q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。
8 g6 h3 \. s# `8 s; V" q0 a" y3 m3，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。
; e5 Q, l7 |/ v5 x* ?: Q- D4，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
2 Z; v" ^( }4 L3 k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：
- Z( Q( ^8 t: ^. r  d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,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
' q% L  N  H) z* p2 I# x% ~保证能尽可能准确的断句 punctuation，但是不是决定性的。
7 [( o2 s: {! p& g6 Y其他参数可参考源文件：
: v- w: ~8 ~. t4 d9 K9 Q) v  h# Y2 Thttps://github.com/guillaumekln/ ... isper/transcribe.py
( k, |1 |, k2 j( q( n/ T- _152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
8 z- N) d1 l( E& v3 P
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。
. U; \! u: c! x5 {& L7，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。
9 }; m2 m) q: `$ E' O/ e
; x! s+ g. v. Y7 c+ k
) O6 ]2 ~6 O* `: ~5 B$ q! s

nanimarcus

多谢各位榜爷打赏。