faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

7 j0 }# z# y& Y, [4 O, i  I: m+ ]* A
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。
! b. Y1 W8 z$ E: \  ^" t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。
. W9 N  _) v; M  _9 l7 C2 x* @----------------------------------------
5 ]) j$ ^: x$ i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。
4 z. `  t" a* t# ~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。
) B3 T. r6 }9 D) m----------------------------------------
5 g' t/ q, k: s$ {# v7 s- Q/ ~8 t: V3 Ihttps://github.com/guillaumekln/faster-whisper
* a6 f# `) m! V) ]) M, t5 Y' T安装如下：
. o* m# `* h8 J; F: w2 T* c2 o1, Windows 10
0 g" V- k% b2 i. z1 I3 h; M7 w0 j2, Python 3.10.11
" D% Y' ]7 ?/ d7 P3, CUDA 12.1
0 z$ R( s3 V( U: f7 ~4, 在python 3 中安装
1 i4 I, c. U7 Npip 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。
( T, ~; P% f6 G- h, ?4 y9 V) C) e5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
( y& M+ q) U: e2 c- L/ g7 x. g6，pip install faster-whisper
----------------------------------------
2 d. d5 I# B3 J% f; h- }& U3 ~2 ewhisper 我用的命令行，faster-whisper 我用的是python。
% N! G7 g" C- R* ]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：
) v: c  M( ]5 s& p1 r+ \9 O9 Y
- k" C. r8 T9 p- N" D: A----------------------------------------
" W2 t1 E5 L* g5 r
/ u, Z& G) F9 J; q( u4 Zfrom faster_whisper import WhisperModel

9 Y+ }+ x' [5 J0 ~8 x7 Mmodel_size = "small"
: |  r- P& x2 n  U, p
$ j4 @: f. o! t3 Wmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
! `) n# V; A1 f' F4 M
1 j" J; x7 c( a6 w9 u, _' }: ~segments, info = model.transcribe(
0 _& e. Q8 l2 p2 @    sourceFileName,
    beam_size=5,
: d  U4 j. U' k# H& P    language="en",
    task="transcribe",
    word_timestamps=True,
1 b# o+ z1 K, U$ G6 v9 s    initial_prompt = "Hello, welcome to my lecture.")
* h8 ^8 x- L/ T, n' W  B: b* z
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
8 c" L8 E/ ^, z  b. {; _' \
        for word in segment.words:
! R* |) S, s( b6 N6 ]6 q               
----------------------------------------
. W& G, Y1 ~2 W4 s& a& B
代码说明：
/ M4 g* q- ^$ J' k+ P1，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。
  C% k1 i" H% |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
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
& x6 j5 E% n) f$ i& ?其中
    word_timestamps=True,
3 Y4 c. ?' _3 C: }, G保证了你能拿到 word，否则是拿不到的
& ~+ A' \: t1 Q# s1 ?1 a( p    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：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
% C- H- ^: C% \! L2 w从源文件你可以看到是支持中文的句号断句的。
. x, u- c* x. a* E2 b; U6 h0 e
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。
; E$ V, x: n# |# q7，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。
! S. y% p1 {1 m6 R. z8，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。
% o3 _& M, `" b9 T' ~: p% c
$ n( p4 B0 a  h$ D( r
6 O; z  ^+ V$ J
: Y2 W, h4 @2 i. I% G4 w* Z2 F

nanimarcus

多谢各位榜爷打赏。