faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

" o6 o/ x: U2 J* u( I+ p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。
5 g: p- J0 M  F( Z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。
' J6 G3 Q" M/ |9 @----------------------------------------
1 d# f6 W) U* b: t! L% e; 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。
* W4 v' ~  o& h----------------------------------------
* W: t/ n* k& k" {1 n' ^* V& q- nhttps://github.com/guillaumekln/faster-whisper
8 m2 j6 o- A3 C, q! q; r* G% S安装如下：
1 @. Z' G6 Y! y) \( L( K1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
2 P: q5 u- k+ C" b6 Dpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
. C8 I; u6 U7 A5 M" R/ h$ A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。
' D6 q# K8 J  ]6 V& ^/ y5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
8 q, s; L% M  l# d) ]5 i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：

2 z- O7 o$ ~& n# k. X7 y' i----------------------------------------

from faster_whisper import WhisperModel
: i0 l9 k/ w/ p! R3 F2 t
model_size = "small"

) o$ F% `) T4 emodel = WhisperModel(model_size, device="cuda", compute_type="int8")
  E2 z9 o9 Z6 ]1 P; @4 N3 ]8 }
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
8 J, F* Z0 p7 ]- \" i' h. G4 Z    language="en",
" h6 E; u, O  `8 x$ @/ X6 k    task="transcribe",
" M+ X( l+ a9 U# M. R    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
$ W: {  k4 i! D0 }/ c$ z2 X; H/ [               
9 @0 A% q3 O$ C4 T( x' D' z----------------------------------------

3 N, T$ d9 f) N+ [代码说明：
1 F  L- o: Q+ L  h1，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。
4 w, [6 f0 K+ R' o, n* A! g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。
/ Z" n/ d# w# l0 v9 s2，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。
( @& L0 o0 L% V! i' c4，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
9 E1 J; l5 n8 C4 y比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
- t, g6 E+ ?4 H8 @7 H; W0 H5，model.transcribe 中参数说明：
4 G# K) W; i/ r: ?+ L; v) R5 @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
/ J8 Q6 d( Z* y8 e% k, M# A' C    word_timestamps=True,
3 O' S. M0 C8 h0 g2 r保证了你能拿到 word，否则是拿不到的
- ~: @& T$ `9 A1 M# |+ I0 E2 b. ?    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
1 E  A* X; L) {6 [152 def transcribe(
3 E1 Q) _5 n% j2 v从源文件你可以看到是支持中文的句号断句的。
' P$ S( ?& m& Y; E0 U
$ J  ~4 Z  m+ |! e6，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- @9 N: x6 K6 d* d  y5 A* E
' ^. `9 l5 V9 m8 W* J+ \  a
% h2 K% w% Z& U) L! N

nanimarcus

多谢各位榜爷打赏。