faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

2 f$ u, h& C5 W. W; v8 K
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。
- E0 w8 A1 T/ z: k+ r& ]6 i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。
& N. z& {& e, u" `6 ^& K: a----------------------------------------
% R9 l! T" }1 w! w9 F  Y" e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。
! L, O% x2 Z7 f( ?5 [7 ^----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
/ G& C% ^# T* |- ^& P2, Python 3.10.11
3, CUDA 12.1
' L2 }) L+ Z; z. N- _4 _4, 在python 3 中安装
# K: T  X, x8 T% Cpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
% C3 {1 a7 j# W3 C, i  r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，pip install faster-whisper
5 ]" k% S0 i4 ?2 }5 t* ]----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
) [  @7 K/ d& B# w; L# \5 y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：

----------------------------------------
' p6 ?6 ~0 s2 j2 ~2 W; a
from faster_whisper import WhisperModel

- t6 I* W( W% ]2 G, p+ P+ hmodel_size = "small"
* \2 k  F# ]' {) \
9 e8 F0 b4 S: c  R# Omodel = WhisperModel(model_size, device="cuda", compute_type="int8")
$ ~; ~! m* _# R6 h, V1 P" X& d
segments, info = model.transcribe(
    sourceFileName,
+ N' W' |1 F' G' t5 l/ g8 b    beam_size=5,
6 l, G; G1 _) J$ x- q- ~" N    language="en",
    task="transcribe",
# e6 L7 {. @1 D3 C* J- o& h% R6 N    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

; b# V; p6 d! [# d# F) \% Ufor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
. g; {7 n5 l0 Y' m9 R" T+ L               
----------------------------------------
3 F! K( ?( x* @& M& R" A& n* N6 @
代码说明：
. E; c/ L. l  e, i0 @1，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。
" h1 T0 h. @1 e' K; l1 b2 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 M: d6 Y3 P% [* k9 `2，segment 本身是很粗糙的，做字幕勉强能用。
7 C# Y; X0 J% I7 u% ^! X5 ?* d0 [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。
; K# I" ^+ T; f: O4，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：
7 Q4 R( k/ x; [7 r  ^, E/ U  G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
# |/ r  W: T% |' A' y    word_timestamps=True,
* t3 @( c4 X1 _$ _5 B- q保证了你能拿到 word，否则是拿不到的
- o* s' e, f% Y    initial_prompt = "Hello, welcome to my lecture.")
' e+ I, ?: l/ U0 j1 d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。
9 Y( r9 J! d' n" t0 d7 Y/ m3 ]
- u3 ^. m- U% \& j6，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。
( ]* U: _2 |+ Z- _' ^; k

2 {0 D" Y" H, X& A. G' [

nanimarcus

多谢各位榜爷打赏。