faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

2 e3 G7 s/ B% z2 E& G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。
! e% h: l$ W+ l% y8 _8 m  v& s' H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。
----------------------------------------
3 m$ B0 B: C7 G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。
& Q# f) K6 m& u- N- v' B9 Q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。
1 M8 K6 u, H& E' a----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
& T) x# N$ R6 a1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
, m/ l* v  b1 H& s" G' C, F, J4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
* H7 T6 A# y7 e# \: M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 B1 K4 \& S9 X1 R- d6，pip install faster-whisper
& y- Z1 V4 c9 J# A% g4 {: U; E  [----------------------------------------
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：

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

from faster_whisper import WhisperModel

) x. {  \2 o$ z+ F* d5 mmodel_size = "small"
7 M% Q' _% A5 B5 s5 k" x7 H2 D
model = WhisperModel(model_size, device="cuda", compute_type="int8")
$ c& F2 K4 H8 T' E# v
. k" M3 d! a& I" {. s. N7 Jsegments, info = model.transcribe(
8 U7 }% |6 p4 C7 {: W! p    sourceFileName,
    beam_size=5,
: e' i% k' R" ?  u! G; M/ J    language="en",
    task="transcribe",
. S& Y# ?& `- ]6 \, b! w    word_timestamps=True,
4 V5 q8 W' N" C. Y5 p    initial_prompt = "Hello, welcome to my lecture.")
# C2 l% c7 E- V
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

4 N, F5 w" C7 V! o8 `0 I        for word in segment.words:
0 b( ?2 j6 {2 c4 v" B               
& G7 L, m/ G9 l8 L" H) }----------------------------------------
7 ~0 S! e7 K7 i/ A# ]% \
1 o( S! ^! Q* e' w) P代码说明：
9 C" E3 k; d* d9 d' G1，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。
, n/ ]2 o+ S* z8 J" v& S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。
% b# ~2 |/ w* {) w# O. {* Q2，segment 本身是很粗糙的，做字幕勉强能用。
3，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。
# ^1 C! j5 n  m1 p4，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。
4 m- l* J! J3 L0 b" I5，model.transcribe 中参数说明：
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
/ p1 H7 P+ g4 q$ [0 c其中
9 ?# |0 w0 y$ O: f    word_timestamps=True,
1 ?$ h. u. K6 {# W9 e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( K6 T0 q* o" h  L其他参数可参考源文件：
' X' S- g2 u2 B: J% f2 jhttps://github.com/guillaumekln/ ... isper/transcribe.py
3 q4 i+ C/ Z  n/ P! ^152 def transcribe(
" a5 i" e" H# A2 @从源文件你可以看到是支持中文的句号断句的。

+ [* e# {7 D# P8 h6，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。
7，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。
. Y. I3 f# C5 Z6 u0 h; ~% v  Z: i

2 v2 b* t6 ~8 `+ r; V8 x

nanimarcus

多谢各位榜爷打赏。