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。
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。
8 y5 |3 [! B- L/ Q. q! @4 \$ R----------------------------------------
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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
3 T5 U+ V* e; d+ v* x; F" W; X1, Windows 10
. [. }3 G5 L9 H9 d) p- R2, Python 3.10.11
$ A% I! s5 M' |* N1 k3, 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
7 s  M. x) V. C# j% z3 \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
6 ?, l# C8 D5 a1 w2 U$ u3 a/ Y( T6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
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：

----------------------------------------
" b3 h) P' G1 @3 e
from faster_whisper import WhisperModel

; }( o! Y2 r! a6 Wmodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
1 Q+ \- D1 `0 B$ u: o
segments, info = model.transcribe(
( ~" w. U% n8 O5 {# j: ~    sourceFileName,
0 d0 [, T4 ~3 Y. }* O9 y    beam_size=5,
    language="en",
    task="transcribe",
. D' ?4 J( d  u) Q3 X% w) E& j    word_timestamps=True,
" P9 j0 k: y; P' l* `    initial_prompt = "Hello, welcome to my lecture.")
2 M' E/ O' T$ Z1 ]2 i
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
% l0 N/ v8 e( v/ u9 k- h
        for word in segment.words:
               
----------------------------------------

代码说明：
, {7 Y. N4 l8 R0 R1，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。
2 s* D/ a  B& O) Y5 U/ y3，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。
2 o$ V  {; o6 z" h, W: i4，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 M0 z" r2 t6 O, j5 }$ j  c2 _: A. M2 ]比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
* O  A7 W- Y% z# o/ O- T: h1 w5，model.transcribe 中参数说明：
/ e( r( h* \$ x+ d0 E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,
  f( N+ c% m+ ]  v5 u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：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

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& |7 M- l, b6 q* Z- Q7，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。
" l/ b4 c8 f" W$ k- W) Q$ b5 m8，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。
' v; N6 n4 Y2 I9 B
0 m# Z3 L. Z" B; S( r# ]* ^* m0 y

$ x  I' o; _8 W2 f/ \" ^

nanimarcus

多谢各位榜爷打赏。