faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

! r6 v& ?6 y9 x. ^9 W* F
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。
----------------------------------------
5 k  m7 e4 ~  S6 Z7 R0 a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。
/ h/ a1 M1 E" ?5 v3 `+ a( F0 Y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
4 F& K* g& o$ x, q安装如下：
1, Windows 10
& N" k# k$ W' c8 X! ?8 H3 d2, Python 3.10.11
1 q' X  r) ~" [6 k" m3, CUDA 12.1
2 h  o, J& j4 k9 C# x" S0 O4, 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。
5，pip install -U openai-whisper
  z% J: m, C: [9 N6 ~这是向whisper 致敬，可以不装
# n$ P0 O+ @& [& \6，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：
9 u) v6 D- \4 R/ w, `
----------------------------------------

from faster_whisper import WhisperModel
% K6 H; T' V3 k) N3 F) S
' S( D, l) ~; \) N. G: A; mmodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

6 I4 p( N4 e& c" {0 F0 wsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
, \+ ~2 x8 C2 ^, O, P4 w    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
( f! v" X+ V+ h4 p7 w- l5 I
6 t0 E+ f& Q- q& afor segment in segments:
! V8 V& L" Z& Q2 [% h+ J0 p    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

) T2 w' a; z" r2 ?9 ]3 V) r        for word in segment.words:
$ u2 F, N4 j' a4 j8 {9 J               
3 A9 v3 K' L/ j! x----------------------------------------

& v5 f8 B2 Y: ^6 Z. f7 u代码说明：
# d$ r  u! Z# w. D1，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。
& e6 F' s" o/ p, i3，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
8 ?( \; ~" X* X2 U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：
3 L0 z( ?! G4 U& t. r& J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
6 Q" j6 ?' Z" t. x# e! t; G    word_timestamps=True,
4 x& d4 F/ L+ p保证了你能拿到 word，否则是拿不到的
) g7 ?  U! h+ y3 S" n    initial_prompt = "Hello, welcome to my lecture.")
4 M7 {: A. x% f& D; y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。
% a0 h0 C$ k' t* l$ ^
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。
2 q  I0 S/ `, W6 K$ V& w7，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。
# ?4 s7 e% P, Y/ e6 ^  I8，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 q# x# n8 |7 N! d& q6 r: y$ _

nanimarcus

多谢各位榜爷打赏。