faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

1 A7 K6 V( {$ n& c- s- P! g
4 r) A; \5 ~- r- w7 ~5 F1 F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。
: T' x/ ?3 G/ l; ^- Z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。
0 B; |. T% l# z) f) r3 {' x----------------------------------------
) J8 u) Z6 [' r  x! M4 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。
- `. \' P1 R( X! L# k; b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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
0 D! n  ?" [, N" e/ P1, Windows 10
2, Python 3.10.11
3 o5 b1 B" V5 a( s- n7 X9 ?  o3, CUDA 12.1
4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
4 K( P, Y  X6 M9 M$ R/ C5 b, D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 b' _2 f) R' F: J; T5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
  n9 \2 O- p" m! t% b6，pip install faster-whisper
8 k: ?4 r/ M' R8 O( y----------------------------------------
$ r" d- u3 Q* X8 owhisper 我用的命令行，faster-whisper 我用的是python。
4 A5 J- N6 Q* r/ r4 e5 w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：
" \+ E/ U6 T) f7 Z) q. T+ k" r  U  e
----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"
5 Q3 E) c7 }2 S4 U! \% P3 U3 I% d
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
% S' @$ H: z0 W, t$ S    sourceFileName,
    beam_size=5,
# f: F( `  K* O( [    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
+ T! F! G' g+ ?# s% B- Y3 _2 s
. i& V& w2 d# r" f4 j2 Bfor segment in segments:
  O/ i% c- h/ k1 _    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
4 B4 y& M6 E5 a, x% w
6 @( {. ]$ C# ^* B/ m$ Q* `1 @        for word in segment.words:
               
- o0 b& y2 f9 D# W' k( ?, s----------------------------------------

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。
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。
; R& ~8 v1 w) C: C! J: L) I2，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。
& t* K+ R' V0 i  N6 K" D+ d* t- R  j4，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
) i4 [+ w( P& O; L2 e$ o# i# w6 b! l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：
$ q, f1 I. i4 T4 z4 u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* r9 Q( P0 B    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。
其他参数可参考源文件：
  m& G: }2 m2 V' J4 q) bhttps://github.com/guillaumekln/ ... isper/transcribe.py
. L6 c5 K1 V* |) Q152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

& M! r8 q6 r* g/ d* s! p* N6，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。
8 b  x- {% p0 ^  g7，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。
) _# i* p6 X7 w" Y
3 S4 o3 F1 V$ |+ N/ d8 C/ J
/ C' f! Q6 g' \

nanimarcus

多谢各位榜爷打赏。