faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

5 _2 R( L4 t5 E5 A6 Z
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。
; X5 E4 d5 b; ~) |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。
) X! `1 l0 `! ^2 j8 ~8 Q2 j----------------------------------------
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
; E+ g9 m% l/ t" U安装如下：
1, Windows 10
2, Python 3.10.11
5 k9 S0 |8 ^' o5 {) e' a  e& G3, CUDA 12.1
4, 在python 3 中安装
" i: N4 A* l5 `2 }pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
) [- H$ v: N& _4 q( A, y& i5 t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
8 i4 {: h$ C5 @) _3 ?% A% E6，pip install faster-whisper
----------------------------------------
, s0 S" n% n% jwhisper 我用的命令行，faster-whisper 我用的是python。
2 B! L) y) K6 s; D' g" u+ O+ x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：
1 H3 H2 F) [. p% F
----------------------------------------
! i2 U& s2 _2 p& N1 }0 s2 F& R  _
: Z8 j) U5 }7 _7 L" c, Ufrom faster_whisper import WhisperModel

model_size = "small"

( ?! N7 F5 ?0 m- F9 Lmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

8 b0 R/ X7 M8 R: t% c' T* M& Tsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
+ U! ]% U: ^* c1 G    language="en",
    task="transcribe",
    word_timestamps=True,
& ^# R/ O+ }3 j; J. R& Z6 a% m    initial_prompt = "Hello, welcome to my lecture.")
/ V1 z( Y! e4 R6 p% h- D0 V. m' N
for segment in segments:
8 c9 F  i5 P. h  b    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
- @2 O+ X: |) P- G( g& Y. j& l+ N* o
4 A* f7 y) }# ]4 T        for word in segment.words:
7 C8 {( K+ W8 O" e" t               
2 X  e- g+ }& ~( B) ~2 v# N----------------------------------------
* R. i, j3 U" e6 c& f4 M  \
代码说明：
6 F' i  t5 e3 \% X1，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。
' w4 E! n: _; W1 Z5 f8 H6 D! ~, ~; B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。
1 \1 {. m! P* b7 U& m. w- n2 t0 \( `2，segment 本身是很粗糙的，做字幕勉强能用。
; O4 X" J  w. L4 R& m6 k. H3，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。
0 B/ |3 h9 L$ r4，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。
5，model.transcribe 中参数说明：
) e( Q# [( l  @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
% x9 c4 H% C1 i    word_timestamps=True,
, T! `; p( x1 A  y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。
- ?2 B5 Y5 E, R  X) O0 }其他参数可参考源文件：
9 ]$ K8 B0 G' d; g& S$ q4 f1 uhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
7 `7 v6 O0 m- Q* \% [. [从源文件你可以看到是支持中文的句号断句的。

# @. O: w% Q2 G4 v6，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。
1 \6 Q1 b2 z- R) B& j( I7，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。
- J2 D2 W0 d( P2 I" d
. {. v0 E; R' T4 }2 e. g% S$ A

" H# K$ ?& e. h/ `! U8 z, w0 B

nanimarcus

多谢各位榜爷打赏。