faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
6 g  |6 g1 H, j, x  C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。
----------------------------------------
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。
0 e+ y% w4 i* u; D$ M) g* V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。
! z; A+ x  c1 o/ y: t----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
& w/ A/ v. E; l5 L/ m. e* w3, CUDA 12.1
  Z0 O! o# }, ~  S# S4, 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。
5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
) f; A4 y5 m8 r7 _+ B0 J* U----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
' N: [* Z9 O) Q) T1 E# p+ h8 e7 W/ [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：
* X& s& b: w2 x% z
----------------------------------------
/ D  b" ]' P" j
/ }; N0 o8 B- R3 ^! e! Gfrom faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
+ N+ I5 b/ T' Z, k4 g
segments, info = model.transcribe(
    sourceFileName,
# I* N8 a! q2 _1 K5 H    beam_size=5,
. T8 v. B! J2 P# b: _% E  `    language="en",
0 [: i! P* \4 [3 a3 i    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
. R+ l1 i# t2 _2 n& T$ ~6 {
! X: t) J" |+ C! r  ]7 j7 ]for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
- k: F) [3 N: M. ?
- f, Y: B  o! T) ]        for word in segment.words:
4 |- _  `) T) V: R, U: A5 O               
----------------------------------------

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。
; G. O1 @9 A& j$ Y' {2 S; Q7 y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。
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
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 l- C" g% _. e5 T; n$ }5，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
' M$ F7 q# k: b5 ^) s7 Z其中
& a% R1 L8 a# M    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.")
- C( f# S6 n! o; z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。
- N$ \4 B' P- z( n" j6 |( q
6，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。


# x$ w# z, Q" n" |
( x" Z1 |% j( C/ Z

nanimarcus

多谢各位榜爷打赏。