faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

5 O, O, R( w1 D. F+ h3 B) Y. R' e
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。
9 L/ ?5 S3 }$ o$ [( R/ D2 c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。
----------------------------------------
9 A1 u+ g- e& N5 Y9 L- P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。
----------------------------------------
4 c3 D( K9 g6 ~+ _6 lhttps://github.com/guillaumekln/faster-whisper
$ j, _% h/ r/ O4 m3 i# r4 ?) T安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
) `4 X: P) O5 M4 x8 i! q4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
2 h* q/ k3 ]3 X8 z8 @1 o& t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。
+ L% n% X! r) d, t. F" a: I$ \5，pip install -U openai-whisper
9 ]# D7 k9 i5 |- b& r' l# J# P这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
0 M6 B5 C/ v7 y1 J* v' Y0 T6 ?whisper 我用的命令行，faster-whisper 我用的是python。
0 Y& k3 d  G3 i* X; o/ `% v) C1 v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：
; Q5 D( h! M" D8 L4 _5 K
----------------------------------------
1 M0 Y5 \' |4 F
0 |" r, |! V/ v+ ~8 A- Ifrom faster_whisper import WhisperModel

  k# s0 f, t) ?% Ymodel_size = "small"

. j4 w6 P" J( X/ y. _' `* L; f  O) Rmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

( _  W; h' |( H  y7 }8 ?6 L% |& Osegments, info = model.transcribe(
& ?" X% q- X. E* ]3 Y+ M    sourceFileName,
    beam_size=5,
    language="en",
& s. @0 \+ ]% F6 v; e0 b8 q    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
. n% Q& D4 i/ J% o: r    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
! O* A/ {) \4 Y, Z; _
# P# x+ A: m/ i2 p' i代码说明：
. V0 [1 Q: G2 p' q1，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。
5 Y' V% Q  x/ E2 N% o, w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。
* ?5 L8 D% R/ B& z2 {$ {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
2 c8 _, l* S0 `/ O) W0 A2 d其中
    word_timestamps=True,
% \$ A8 g* F6 y: |保证了你能拿到 word，否则是拿不到的
    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：
! L; S/ t. H- g$ }. o/ Lhttps://github.com/guillaumekln/ ... isper/transcribe.py
0 C& T2 o+ {0 c$ `' D6 O152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
) [/ Y/ J& e2 q, B
- s8 u  t9 b7 N3 [6 B! y6，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。
' f3 E3 u1 Q: Z7，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。


( A2 @/ ?6 n5 s! Q( u( s
# w, t* {* L; U8 B% u

nanimarcus

多谢各位榜爷打赏。