faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

% L9 _4 D& L3 C* j  g
0 R& Q. 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。
# `' V  r7 v- k: j0 s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。
----------------------------------------
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。
( l, p/ j6 I( N9 e2 z7 m/ G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
2, Python 3.10.11
* r" F2 ^, r6 S- a' n9 M4 V1 `3, CUDA 12.1
4, 在python 3 中安装
7 P3 b" m$ m5 @7 k, u% m( h0 Spip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
& E! k% l7 ]% X* S8 e! z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。
8 L6 n, G6 q% V0 ]+ P' _5，pip install -U openai-whisper
+ y6 n7 }$ n# z' u这是向whisper 致敬，可以不装
3 R1 V: Y- U$ o9 ~( e& ~6，pip install faster-whisper
----------------------------------------
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：

----------------------------------------
+ e! I( y) g  p7 s# N* g7 |- r
from faster_whisper import WhisperModel

6 h! l  |8 Q# c4 c9 nmodel_size = "small"
! G& Y0 C2 o/ e; `0 {% t
* U0 L2 J/ g% Q6 o" _model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
% p  N7 _. O* n2 s    sourceFileName,
* |. l4 r7 c) ?5 ?5 {' C1 z8 C$ d    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
9 f3 y0 Y; e9 z3 S) y4 B2 m" f9 {/ i
        for word in segment.words:
/ ^7 w; b6 D  [# E5 {& t  A               
( b1 m+ i; f# e7 x6 s----------------------------------------

9 Y/ l' y' ~& z& U* N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。
. u8 C8 C$ l! {6 L0 L; u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。
6 l% N7 J; b( j+ G2，segment 本身是很粗糙的，做字幕勉强能用。
2 L. X' [9 n0 L0 }5 G1 `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。
7 M, i4 g* p. a) h7 v3 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
; |6 D! P+ L( }/ 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。
9 n9 K  K7 Q) O: r  x5，model.transcribe 中参数说明：
) T# p7 v& R6 ]4 f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
( u; D$ m" a0 j) q1 v* [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.")
+ ]0 A+ O2 \2 @) C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：
8 ]4 F! i" j: k3 w7 t' W" Vhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
9 Q7 R, L* f1 o% u) O
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。
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。
5 F. r) z2 c4 X0 N8 C


/ v8 \+ J) c9 u/ n+ x

nanimarcus

多谢各位榜爷打赏。