faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

& y% R3 d- @5 ^* ]- V: M8 |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。
& V% ]/ l' w" x* g- R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。
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。
; o8 r2 r: q# j5 I+ Y/ C( j----------------------------------------
. k/ v8 R- G" a  ohttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
# k9 d0 d+ W# G- N: y# Z: T# ?2, Python 3.10.11
3, CUDA 12.1
$ B) d; A% M6 O+ `' z% a4, 在python 3 中安装
1 N: P# s* h4 Xpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
/ e: L+ ]7 @* S3 k5 _5 S& |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。
& _* ?7 C) T! e* X5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
8 Y1 o% o$ X: W( T# x; ~4 J- f$ R6，pip install faster-whisper
: K0 H3 K! \# ?0 }) G- a----------------------------------------
whisper 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：
3 w: M1 c4 y$ ~& R" l% {$ ?
----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"
0 L) W' ^" y4 D
) F3 b/ }8 X6 j- |model = WhisperModel(model_size, device="cuda", compute_type="int8")
0 `, F; \7 z/ P0 A
$ c9 }& C, W$ D7 _6 fsegments, info = model.transcribe(
    sourceFileName,
) P! T8 b7 v3 G5 q$ w3 M+ f9 Q    beam_size=5,
9 S2 R4 v( y0 U$ p# Z! Z    language="en",
. Y! ?  I2 ]! r  C6 C2 k    task="transcribe",
    word_timestamps=True,
0 l+ \# M% y8 ^  z( i6 e    initial_prompt = "Hello, welcome to my lecture.")

# @; I2 ~3 |0 ofor segment in segments:
- I  _5 Y  z, }  }    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
. k1 [9 A, ~# Y& K               
----------------------------------------

' \$ s5 P9 g' X6 A代码说明：
# k; n2 \- }4 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。
# h1 _: q9 c% X- ~# E- P* Q" l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。
' a/ z6 b; e7 c2 x: s' n3，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。
+ l  L# B2 o- ?/ f$ S! P3 ]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
- E7 d: P& a( e4 o8 W" o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
! \2 J" Q+ [% g& I4 d& r其中
    word_timestamps=True,
1 U. p/ T& r8 d2 t- e& ^! @保证了你能拿到 word，否则是拿不到的
- H* Y6 }' m1 S/ u) N2 v    initial_prompt = "Hello, welcome to my lecture.")
& F) z9 F' W5 Q& b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：
+ X# `4 s9 |' M. c. [0 [# U+ Hhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
* E* h' F& ?9 Q3 d  w% t从源文件你可以看到是支持中文的句号断句的。
* x1 p3 c, v$ v8 q5 T& A+ {
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。
: `1 t  N: N% d  f& r' @  f( 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。

9 k! `( j0 ^$ K( @: r) o
; a! _) S8 A* U' s: O' ?

nanimarcus

多谢各位榜爷打赏。