faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

& E% N+ c' 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。
. a0 R( h. w4 @8 Q# ~" I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。
# V4 I; U2 w& e2 b" s* o----------------------------------------
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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
9 @3 ]" i% @1 a) N2 E. Y; b2, Python 3.10.11
* `" H7 V2 E0 ~1 ]0 L! ^3, CUDA 12.1
4, 在python 3 中安装
1 C5 @6 T1 a; i; K$ ]pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
. ^* V* V6 J/ ~/ u9 K- |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
, ~4 ?, X$ N1 ^. O, |这是向whisper 致敬，可以不装
2 `5 ~; i/ f5 b6 X- I# I6，pip install faster-whisper
0 H* r: C2 l9 G* |) D# o: I----------------------------------------
3 \9 w* }$ |8 f: ^; K3 w9 ]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：

9 z9 [" q0 J/ Y8 G/ m; X----------------------------------------

! a# k1 C9 X* j. S% ~4 [7 ~from faster_whisper import WhisperModel
1 j# ~6 t) W. k
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
# [# D( C3 ^- T/ S: A: @7 d
* e1 R6 k! k8 j. Q0 \segments, info = model.transcribe(
8 o6 n# E+ o4 t  A9 k; \: a" Z. D    sourceFileName,
    beam_size=5,
    language="en",
& K$ h) H7 e6 j7 z8 E! ?* C0 `    task="transcribe",
: o) l, r- d2 |( A8 s7 N    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

' b) @$ |% j! _' \1 Qfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

0 \/ [1 c0 @) |& j" `7 G5 d/ y        for word in segment.words:
, h! S1 j: [# \               
/ E/ W9 |) W  k# e----------------------------------------
& h* \- l; E! Q- X5 d1 ~' f, z
& _6 a7 F1 n8 c# s/ j. V. a; C% V代码说明：
% ?0 _. m6 w& ^5 w# z1，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。
* v8 }. ~6 q5 S; d4 H! i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。
9 K5 w& E$ H3 L0 x2，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
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
6 v9 q) L1 Q5 J' i6 s! ^  O5，model.transcribe 中参数说明：
/ R1 Z; v1 N4 J8 @5 `9 X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
    initial_prompt = "Hello, welcome to my lecture.")
  ]* U6 W! L7 e0 U保证能尽可能准确的断句 punctuation，但是不是决定性的。
: p1 D1 R0 t: Q# _; z其他参数可参考源文件：
3 l% Z- D/ Y& v& L& [* |5 mhttps://github.com/guillaumekln/ ... isper/transcribe.py
: X' o5 A4 a4 Z0 O/ Q1 N152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
* F4 A, g) ^4 L# C0 @
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。
, u, Q% w  e/ H* w. J( M9 T0 T, Y1 N8，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。
7 j- n1 P; D* ]' z- b
6 k3 Z7 D1 D$ T3 q5 I0 p

$ @5 c+ d; @8 b" T* C3 O$ h

nanimarcus

多谢各位榜爷打赏。