faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

% f3 o2 K  H$ t+ ~
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。
----------------------------------------
7 q8 d8 z. I" H% I* C: l2 ?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。
" [( J9 E% L& L----------------------------------------
https://github.com/guillaumekln/faster-whisper
8 A  W( J" f' p! E; [安装如下：
6 T! X% k9 L$ h- Q. g- i1, Windows 10
2, Python 3.10.11
. f4 ^* G* |4 P0 O3, CUDA 12.1
4, 在python 3 中安装
( P2 f8 L" \" \pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
9 ^' E4 z3 i9 m" M# z2 x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 j) B/ D4 j" ^* {/ g- }  m5，pip install -U openai-whisper
; d9 s& A+ K. v8 ^这是向whisper 致敬，可以不装
$ i2 i" G( d& ?5 `7 K- c5 E0 J6，pip install faster-whisper
( J4 V  ?- I5 \# R5 \- ]----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
; k; I7 s3 r* \8 R5 _, i9 w8 p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 [; {( R( w1 p----------------------------------------

) R' \0 H8 I1 @6 `  l& m  ]from faster_whisper import WhisperModel

; P1 ?( w0 X) [0 m; Wmodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
+ q3 }: A" @, k: ~
) h5 h5 r) [- P, O9 g& k3 h* osegments, info = model.transcribe(
1 W: \$ z- v& V, p. ~8 p0 F    sourceFileName,
7 {6 m: x  G" ~1 o# c    beam_size=5,
    language="en",
- D; ?% S" J$ t8 a: s. H    task="transcribe",
    word_timestamps=True,
1 g5 u) n  e$ q; Y2 O' b    initial_prompt = "Hello, welcome to my lecture.")
# n% s) p/ P1 x) @+ ?* G
for segment in segments:
5 W+ o/ F0 W0 w4 A5 B$ J    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
) d. ?2 v  B& D8 E* B, J
        for word in segment.words:
" z; Q" ^4 b" c2 P* X               
----------------------------------------
5 X9 ]3 j4 S0 c  a& T9 C
, S$ T. p' v3 H8 o& P. s代码说明：
" h0 D2 I2 R/ y+ g( j/ _) @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。
, m, B. U  d! P5 H4，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
( p+ w3 z0 T: ?- j1 n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
, l1 d2 j6 v9 M% Z2 x其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
* ?( B" k$ P7 L- J    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。
8 ^3 y+ n, R/ m9 M5 I! E其他参数可参考源文件：
" K% W/ U% d% Ehttps://github.com/guillaumekln/ ... isper/transcribe.py
; e/ e8 K0 g9 j+ O+ ?6 S5 O152 def transcribe(
9 X6 ?* j$ e9 J! ~) P8 t! Q$ ?从源文件你可以看到是支持中文的句号断句的。
" f& b! |/ ?4 _" D; l; a/ p3 v
$ N! O, ?+ r+ ]6 k! f2 D# J3 l6，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。
1 d! X+ i1 ^* U9 M5 _1 F4 e8，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。
$ l' u" t3 D: c

* R* N  x8 a1 H3 u3 b5 m

nanimarcus

多谢各位榜爷打赏。