faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

4 X* C4 T; n5 h& a: B4 d
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。
0 l* W4 ^" c; T4 c; k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。
( _6 R! `& t( D: }6 p$ I' W# C* r----------------------------------------
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。
4 g" I8 O6 n4 d6 A5 l4 b5 O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。
+ f# H$ o4 C# I----------------------------------------
) O5 V2 m8 Q0 ]  h+ J. p! z" H6 Whttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
' Y! B8 \5 K0 {" r5 ^8 r. ^8 e2, Python 3.10.11
3, CUDA 12.1
% c9 H. W: a1 f5 @: W# z# @4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
* j1 X3 D' {3 i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。
+ a$ P) V& A" n5 R5，pip install -U openai-whisper
$ ?+ s" E( N! I: f, R1 I+ X6 \这是向whisper 致敬，可以不装
6，pip install faster-whisper
6 X# |4 z6 I1 C% D1 J' f0 }----------------------------------------
$ L' i* O9 p# p! bwhisper 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：

+ O# P( f! |2 X% p+ P/ \- E, U----------------------------------------
; g0 S% X' P4 o+ }  Q
from faster_whisper import WhisperModel

, h, d! \7 t+ smodel_size = "small"
- m4 s. l) g- i* W6 k
" \, u: P) a& O% b$ {* ]2 D. Emodel = WhisperModel(model_size, device="cuda", compute_type="int8")
, o; F4 ]% `: R0 s
segments, info = model.transcribe(
% I0 {! [- [* N" w5 [: a  ?    sourceFileName,
* ~/ B" X$ D  G* J% U    beam_size=5,
6 _: w' w, L4 |/ _! p6 B5 b* p    language="en",
    task="transcribe",
    word_timestamps=True,
, X) o4 V( S5 m7 k3 m5 U    initial_prompt = "Hello, welcome to my lecture.")
. j# c. N8 `/ w% G
, u. |6 ]7 `+ @for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
  x9 G# @- k1 f
8 v2 g- G2 z6 w# h: }        for word in segment.words:
2 m; }2 \4 V" R' v5 U" m               
" g: o( {% k0 G& z----------------------------------------
* L$ Y0 y2 b' z' S4 n% R7 v% w
" S# @* `- D7 R( Y代码说明：
  B4 u4 t7 u! g1，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。
) V& j8 n; @: A, {+ ?# g, l1 s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。
# t4 u1 r: K. k+ _. R  \, r2，segment 本身是很粗糙的，做字幕勉强能用。
8 q5 H& N& C! E% Z/ K2 [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。
5，model.transcribe 中参数说明：
6 G, A+ f# D7 A0 \; ?4 x9 @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
! O3 [4 T: h! m0 ], k4 X    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
  [" g9 D5 Y3 ?    initial_prompt = "Hello, welcome to my lecture.")
6 t7 i0 s, u( r! d& Y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：
1 I7 {7 H9 Z- p+ ahttps://github.com/guillaumekln/ ... isper/transcribe.py
" R! V9 d( [( m' D$ x0 {+ c9 N: @152 def transcribe(
% g9 C8 q3 Y  M! k1 ]; f$ x, L从源文件你可以看到是支持中文的句号断句的。

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。
6 o! H, }8 v9 _* g; b4 B
" a7 _5 A. o( D( V$ h
  P5 o- a0 }' K
7 W, ^: g" {& y9 D; Z' r- [# @4 r

nanimarcus

多谢各位榜爷打赏。