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。
2 \$ O( ?* b. u$ {% `$ a. 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。
( z* k) X4 \. A  A: S( T& s0 L3 v% h----------------------------------------
$ m( G9 J4 F- c+ p- V9 B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。
6 |8 H" e1 W; q% A  ?----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
" w" x% _+ y$ v) k3 N" E- L" @2, Python 3.10.11
3, CUDA 12.1
; W0 l3 r- s" j' G4, 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
----------------------------------------
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：

' g0 T( S2 r" c3 D- j+ i----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"

1 X4 g& I8 B- Y* H. Amodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
, }# m- ]7 t  u' z( A3 p+ J    task="transcribe",
1 `: W1 J# i( |- V    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

0 w* ?$ z6 ?, C2 ~+ `; v1 J+ dfor segment in segments:
9 p3 k( l9 d4 P4 ~    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
5 k% C: z+ X) \1 x% V  M               
4 Y( r7 D! Z8 P----------------------------------------
6 T3 W5 J' C& q: y* t1 q9 a
- u* i% G2 ]3 s  I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。
- B2 {: F& g# ?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 t* b" V' {. V" g2，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
1 \, Y& J: V2 B5 t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
+ m& ?3 _5 `8 d+ L2 Q$ V其中
    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.")
# N$ F  o+ Z) O2 E0 y: V7 C保证能尽可能准确的断句 punctuation，但是不是决定性的。
1 d3 {, F* }0 s* [, b, q" z其他参数可参考源文件：
5 T+ ]: \0 p6 i# b1 v. ?9 fhttps://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。
! w+ G. r$ u5 l* r; R% P
4 e% ?7 U) N7 I4 @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。
$ ?5 t6 @* a9 i/ a  R& d( ~
; ^7 b8 T# |9 P# F

nanimarcus

多谢各位榜爷打赏。