faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

, H  P- B; q0 R) ]/ t
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。
( x, ^  _1 l1 D, N$ k. i- }$ u: S----------------------------------------
' C& k2 X8 q* g  @- G) ?, g" {, 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。
& B. f& P0 w+ @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：
; @6 K% v& r* R) w4 u' o$ f- p" V- J7 C1, Windows 10
# F% D7 D6 q2 h( M; u5 m2, Python 3.10.11
, [* R" ?- Z/ D4 n3, CUDA 12.1
9 m0 k, C! Q& {6 M9 c4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
2 {2 y& }1 i5 s* ~! ^2 g5 K# v8 y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。
" a! c. q9 ^0 u  K, s5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
% I4 e! z  Z9 y# n% ]6，pip install faster-whisper
, V1 @3 j( D3 g4 b* X6 v----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
0 Z; }- S# f- a: l) M4 j% u- w* Q9 i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：
7 F! Y7 {& @$ V8 w" D& k
; b1 k" N; s8 m3 R----------------------------------------

$ \( {0 @; ^6 m  t  R  n: I3 ffrom faster_whisper import WhisperModel
! Z" W8 `' A& q% X
model_size = "small"

9 q. o+ n' t# M. F( V: ~model = WhisperModel(model_size, device="cuda", compute_type="int8")
  O- v% z2 k6 W/ v
segments, info = model.transcribe(
6 x; s0 E2 U& D/ [    sourceFileName,
    beam_size=5,
5 n* s- C8 o4 H; ~) U( i    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
% ^1 M$ }+ A- b/ P: D
; T+ ^" J6 u+ n0 `  ], f8 q) \4 Ifor segment in segments:
6 W5 l* [) u: t0 y* |9 B0 v    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
- G- J$ q7 h3 u9 b
% m2 I7 j# ~' @" l        for word in segment.words:
0 f9 X" I3 a4 ]( p, m- p0 A/ s# ]2 x               
----------------------------------------

9 v' s# e. ], j# b' v1 D% X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。
; v6 `3 _+ H5 Q9 @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。
  P  a( A7 S5 I, u$ k- @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。
2 Z& z2 D* X) i  N: L5 H+ N4，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
, J6 m3 q" ~6 q比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
$ P3 H* N5 Q' j9 Q. ^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
" D1 y, ]' }- w% I0 k其中
. R+ \& v- q6 [* Z' O' {8 h: U    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
' ?+ S1 g( Y! S: T% C4 K% `    initial_prompt = "Hello, welcome to my lecture.")
. N  ]. D8 M. p" v: f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：
$ i1 W& B: t4 b% Z: Z' Bhttps://github.com/guillaumekln/ ... isper/transcribe.py
" W2 d/ H' m7 P' ~# \152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

& ^+ _9 Q1 W" h1 b4 s1 a6，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。
9 s( d' P9 N  `0 m) P8，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。
, f6 W7 P% i1 D9 g0 ^# F7 T3 K
9 W* ~% r: k! X# C  g6 i; q

nanimarcus

多谢各位榜爷打赏。