faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

- B% J3 @9 P" P$ J9 _
1 w! j2 D! C* f  V" X: [/ y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。
( Q# D. b3 t4 _" ]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。
) \5 Q1 ]3 s9 `----------------------------------------
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。
. R. ^- T) w9 _" T& l, n5 `( E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。
----------------------------------------
/ ?9 q; U6 m& r: x6 ~% x: N7 [https://github.com/guillaumekln/faster-whisper
" {$ M) A  x: o* x& Z; o安装如下：
2 N5 I5 S5 I# Y$ t/ f2 D0 U1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
/ H2 P  x; u9 ?  X; m( _4, 在python 3 中安装
7 ~1 C1 Q3 j, l/ S/ {% C$ w' o! ^pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
; n* P4 r2 k  P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
+ }& _1 Z! ]/ T( h这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
0 H( z$ x, T' a( m6 L$ Ewhisper 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：

----------------------------------------

from faster_whisper import WhisperModel

% n. Z2 f$ M# Y- T3 Amodel_size = "small"
3 t8 j# x8 Y- Q; T
- p+ u1 G) U, N' W% c3 Amodel = WhisperModel(model_size, device="cuda", compute_type="int8")
+ D: h# z. _4 W
/ c& g5 D/ q; n* t4 O9 A$ ksegments, info = model.transcribe(
" w- t5 c' N$ n. ]    sourceFileName,
    beam_size=5,
9 l" T% Q2 M% E8 y0 \    language="en",
; k/ l. m( C5 e- d    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
1 [, H2 E. o, K5 o6 u    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
: G+ x# X" Y) C8 u" ?. C
        for word in segment.words:
9 ^& G) R/ I' P9 u               
----------------------------------------
% G5 C  A3 Y6 p* I. F# ^% K
9 _: k4 G% P$ O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。
' s/ h$ y  ^& K% H$ 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，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
% E0 H8 z. _% j' C, u6 Y3 p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
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
- p' f$ u& a- I+ @3 L& Y- a( J2 ?    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。
9 z) v6 q+ T6 \5 s其他参数可参考源文件：
7 z3 B9 o* Y: m- Q1 N; v! f7 ?) E/ Hhttps://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。
/ M) D. J/ H' B. b4 O' ^4 y/ s) {) S
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。

% p  |/ N9 w* f  E7 E4 B! }" q
. \& m7 y7 h+ u$ h" P8 T0 h

nanimarcus

多谢各位榜爷打赏。