faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

* n0 a9 h. L9 n% 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。
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。
----------------------------------------
- A' x' U9 J1 U. [6 |9 h3 u& j# j2 R5 c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。
0 e2 o$ Q- P* p) ^----------------------------------------
https://github.com/guillaumekln/faster-whisper
7 q' U# S8 K7 X: {安装如下：
1, Windows 10
9 d6 n/ G9 w2 Q* @; o: v% @2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
' q3 m+ C" i# j! W- E! e2 K4 M: k$ _$ }pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
4 t; V/ ^* O8 O- |7 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。
: l$ E1 F4 `3 J5 L0 ^2 _; [5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
/ b% r6 Y1 e) ?* Z* M- u( T----------------------------------------
4 j: ?3 [1 @6 R  c/ Hwhisper 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：
6 i" W* U/ A' O1 F% Q5 ?( X
----------------------------------------
5 j0 g: H7 f  b- C
4 b9 p( C# O0 W) K# H; N1 mfrom faster_whisper import WhisperModel
+ C( U' U! g! G/ B8 F# P1 h
# q# s0 J1 a  N1 u* o8 {model_size = "small"
& s+ l  {2 o6 s# H' }  ?! C
% J9 f4 n& H, F8 z; Bmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
% N+ \+ Q8 X: V) G5 ]0 q
segments, info = model.transcribe(
9 O4 S/ v5 {% n    sourceFileName,
    beam_size=5,
' |& r1 h$ Z0 V! |/ T    language="en",
) Y7 p% [* T3 x4 P1 T, o    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
1 e/ x0 p6 @; N* m6 z& E/ G
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
6 V% k0 c2 O$ X0 n) \+ b
        for word in segment.words:
6 s! B4 I: X5 m+ a" [               
9 A: J3 N, }; g+ n" `# F$ L7 @, v----------------------------------------
+ s$ v: y% c2 {6 s) S
! o+ j9 r4 q( C" y' Q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。
: o2 y6 O* ^1 z9 a, N6 a2 H7 s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。
4 G9 ]: n1 D/ J$ S) a8 |# q6 B2，segment 本身是很粗糙的，做字幕勉强能用。
# V$ g3 i/ F& l3 G% @* R/ N" U3，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。
& X# a5 w' I6 y; I8 B4，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
% D! R  m6 [, ~/ c2 j0 R3 h比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
4 x- F: w/ ^7 v" A! ^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
0 q6 T9 D3 I. N/ l    word_timestamps=True,
. Q+ U7 y' m; v3 G6 a保证了你能拿到 word，否则是拿不到的
8 L: T* m" }2 U" m6 p) Y    initial_prompt = "Hello, welcome to my lecture.")
) _& n& ?. N5 [% O  v! `% K保证能尽可能准确的断句 punctuation，但是不是决定性的。
! A& W/ b9 ^: r! E其他参数可参考源文件：
% @. _2 I6 s4 D* B: t9 E# f5 n2 whttps://github.com/guillaumekln/ ... isper/transcribe.py
$ D6 V( N" V& H. c152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

* v1 _2 E# B+ [4 |: o8 W6，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。

nanimarcus

多谢各位榜爷打赏。