faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

( p  {. m" O9 C0 @4 q9 ]) J, P+ ^
' g' [: C1 m4 ?0 Y* \. h4 \. x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。
7 o, \) J7 [+ \; `; h/ r+ E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。
7 J( N# i' [6 I4 ^# `# q4 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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
( J/ _4 r9 n0 k* H# _1, Windows 10
2, Python 3.10.11
2 g* G# ]( [2 D& e. c, D. S( t3, CUDA 12.1
9 f/ e- W  L) [3 X( ^4, 在python 3 中安装
, j! `- \4 M; X( q% x. S5 Upip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
9 j9 |6 j# d% c# o  [$ A: a: T. D; m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
----------------------------------------
: s& r1 E3 n* l  Q, N& pwhisper 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：
) M2 K. \4 r6 [6 \$ {6 l3 \# Y
----------------------------------------

4 W% e$ i1 Y. I1 Q6 gfrom faster_whisper import WhisperModel
1 P! b, d+ _+ I! b4 @
& k, Z' E) }+ l/ X) ~model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
5 t5 \( d' v9 t
; D6 ?4 u4 t. W# ?+ a' K# psegments, info = model.transcribe(
3 s* I8 k0 r1 H2 P; p    sourceFileName,
    beam_size=5,
    language="en",
% q9 h. u2 ?* W. t$ Y  V    task="transcribe",
" W9 Y6 W' b" x% e2 a    word_timestamps=True,
' I, k* U# ]  Y6 g& s1 w# O! R    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:
& [/ S9 {. `) J) D. q" k: B               
----------------------------------------
- P$ G: n2 z' ^0 `! o8 _7 }" q
9 d# _) X0 h/ |, X0 t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 d, V& Z" a; m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。
- g# C: Q  E3 q  E4 s4 w' E* J3，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
+ J. s  y: f  d  C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：
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
! A! V9 V2 h% z, m* q, e    word_timestamps=True,
4 G8 p" [! H+ v6 A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。
5 V7 R: J7 N0 H; ?/ G6 L其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
/ b4 w4 K5 j5 y5 \( t3 ^152 def transcribe(
# V6 ?% }( @5 ]从源文件你可以看到是支持中文的句号断句的。
2 W$ e) x. a- T$ X* z
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。
: p% k3 o; o* q. ^6 c7，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. ^: D- ]7 d) _* G1 I9 u

nanimarcus

多谢各位榜爷打赏。