faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

2 W" E  o) l, Y3 [
( I! j8 R! w7 E& y( o  m: {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。
8 u, R* N/ [6 X$ l/ 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。
. L# z7 `# n; p- u. A+ ]& X----------------------------------------
/ L9 U' I; V& e0 Q9 k+ W1 Z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。
4 }6 }% X+ b6 o----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
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。
/ @2 c1 C" I6 [& n7 i' p/ b$ A5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
1 j' `9 x6 r4 X0 O/ X6 W# f----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
: F3 S0 G+ }( R) i( ]- C! m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 P+ _( @7 b. T. ~% s/ b
----------------------------------------

% ]- f/ l, o* e/ e; U% jfrom faster_whisper import WhisperModel
+ v( U8 w; `1 |+ t7 H+ e1 a3 {
model_size = "small"
9 G* [, N8 j; v4 P, @$ O
/ I* {3 W3 P( c" q# U% fmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
7 T; C( ?  L# i. u' t' S$ p
* x9 W0 R. C' k: tsegments, info = model.transcribe(
2 b8 g8 p% X" M! W+ Q    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
$ W6 D9 N* ?. r) \: q" q7 q    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
# `5 Q9 n' e4 n9 R( C& J    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
# ^4 Q& s& I" S; P& O9 \               
----------------------------------------

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。
7 U. D" }$ n! o- ~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。
3 Z, `: \# O  z+ x& {3 ^* z; ]4，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
3 U4 U: P' K! \! D比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
$ C$ N: V( i  p. V, u% y4 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
其中
    word_timestamps=True,
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。
其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
( c4 ?0 }- W( |8 j152 def transcribe(
) R/ ~7 E3 j( G8 a从源文件你可以看到是支持中文的句号断句的。

9 b7 a. @" e6 j: S6 I6，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。

nanimarcus

多谢各位榜爷打赏。