faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
1 l% s6 r$ e1 }0 S3 U- e+ K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- Y+ l' ?8 F----------------------------------------
% P' I7 a) C" f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。
; z, k# U& X8 Q' D( [" 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。
----------------------------------------
7 y7 X9 @$ H# o4 n" q5 A" Ahttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
4 G+ e# d0 _. p  b4 u9 ]3, CUDA 12.1
/ M; j7 u3 ]- ?' S! d4, 在python 3 中安装
; L' O# J6 u$ N/ b% ppip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
) v  L( A' j1 v! }8 L- H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。
( o  [! @6 y+ f7 @8 ~' z  v  A& v5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
' T: W" F1 z9 e. R6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
6 ?8 Z% S* I* H( S! h, @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：
6 }! C4 M+ z4 u8 V" ~/ U* p
----------------------------------------
. R: B6 y( Y0 a
+ o0 f9 i* P5 C& I0 C& ~- \9 Pfrom faster_whisper import WhisperModel

model_size = "small"

; ]  d% r$ N5 o1 B' Jmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
1 v3 a# v- L/ p5 J* G  [+ C6 I: O    sourceFileName,
    beam_size=5,
8 e  I, w- r! x    language="en",
+ {2 H( ?' L6 {* u6 y    task="transcribe",
    word_timestamps=True,
) |3 Y  f# @  h+ b; l4 S9 |1 H' w1 J    initial_prompt = "Hello, welcome to my lecture.")

0 Q; ?0 _7 p1 i5 n: m* T$ E5 o. X2 u& Yfor segment in segments:
! H: ~( \; n: G, j5 o    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
, P0 D; d8 x) r3 ]$ `" \$ o+ A
        for word in segment.words:
+ V8 m" P: e0 ?! f' x- M               
----------------------------------------
1 t5 O$ J" V' k* G: D
- W: u( m" t/ S* O- i代码说明：
6 k, U* r& X/ B& L) Q1，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。
' l3 C( i4 ^( R7 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。
7 o" e$ K: `. u3，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。
, d, s" X$ s4 Q0 ^+ p5，model.transcribe 中参数说明：
# j* R6 i7 N9 A. c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.")
保证能尽可能准确的断句 punctuation，但是不是决定性的。
( R( ^" q3 t. i* Q+ R其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
8 ]1 Z, f  c( ]# Q1 v" t5 j+ A" h从源文件你可以看到是支持中文的句号断句的。
: q+ E6 q- t8 y
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。
- x- K  _* X0 F) d% o& k7，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 m) t2 m( u% t# w- g. D+ c8，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。
" c' D5 I& u; m# V

; U; h- I/ q" a2 p0 b0 f
" E( N3 Q+ M2 `* N! W

nanimarcus

多谢各位榜爷打赏。