faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

( f* o; q# f* ^* T, h7 w3 _) y
4 L/ V# k2 i+ g7 I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。
! k+ L* K+ _; |" n----------------------------------------
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
2 Z$ ^8 C- M; X; Z安装如下：
5 z, ^- `7 B" p) K7 Z1, Windows 10
+ U2 b0 X5 h" h# L! N) i! J& [2, Python 3.10.11
& I4 A: ]/ Y2 V3, CUDA 12.1
; i( [* Q$ _6 l4 h  ~4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
" K/ F" ]. J) `1 z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
/ p- W% n& h4 Q* ~+ }# }  k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。
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：

4 c# _9 g5 g3 ^5 e5 [----------------------------------------

+ ~4 A1 [" q8 |0 efrom faster_whisper import WhisperModel

8 |3 b; P" B8 N' E# ]! P3 Lmodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
; V, R$ D5 G8 N! d
segments, info = model.transcribe(
5 \& N; m. }7 f6 e    sourceFileName,
    beam_size=5,
    language="en",
! M1 a) j: h2 G& [% c- A    task="transcribe",
    word_timestamps=True,
9 ~$ j1 Q3 h; S    initial_prompt = "Hello, welcome to my lecture.")
  d) T" U. ?7 Q) m* \
; `( K- r9 I4 h4 wfor segment in segments:
& z/ ~3 e6 ?. ]$ @) P    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
2 U0 t' D5 j0 h( `
        for word in segment.words:
               
----------------------------------------

) v+ z0 Q3 C5 E- t1 r5 k. \- l: s代码说明：
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。
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。
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。
, B4 Q% n: s+ X$ p# Y; s4，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
# K: }" u$ t0 y: z( D: {1 l比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
- {: L7 X$ W0 a$ X* E6 Z& Y5，model.transcribe 中参数说明：
% U8 ]/ C2 s, g# r4 T$ x0 i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
5 U' y2 E9 ?2 {: A其中
9 p' w0 O& m  U. b) r1 h. e    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
  v4 t! K. f/ m5 I9 E1 f    initial_prompt = "Hello, welcome to my lecture.")
9 @2 W. T6 p% W) N& h保证能尽可能准确的断句 punctuation，但是不是决定性的。
2 z! n7 a5 s4 r6 l0 a其他参数可参考源文件：
1 e* t% r( ~; Q+ v* Z) ~; zhttps://github.com/guillaumekln/ ... isper/transcribe.py
6 {1 m. u! m- E: V) \; `152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

1 P: A; C/ L0 l* n( t6，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。
5 C& }# {4 F1 x& J! B5 S+ f7，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。

nanimarcus

多谢各位榜爷打赏。