faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

; E8 J. A5 C; I' ~1 O  n; \5 ~
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。
$ T" p9 L5 o7 _4 `( d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。
- _' k' b! d% m7 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。
----------------------------------------
( _2 h2 P3 i. E* ihttps://github.com/guillaumekln/faster-whisper
  ]# G  L' x% F6 v安装如下：
1, Windows 10
! i$ S7 {1 d! [) R. |2, Python 3.10.11
- u( Q! u# N( A6 S% d5 T# z3, CUDA 12.1
4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
4 c+ i# y8 i6 a) `9 g0 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。
5，pip install -U openai-whisper
. t2 X8 A: J; m* D这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
. ^  x) w( Z2 a1 I+ P! z) Zwhisper 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：
/ @) n7 F8 Y1 C, T7 T
( m: t! g4 O. e3 j----------------------------------------
: ?5 L/ S6 d& z) \
+ z1 m. ?: I3 Q, j. m8 F+ [2 V2 e# |from faster_whisper import WhisperModel
! `" G$ v7 q4 v; `% s
8 s+ J% S5 {& d; lmodel_size = "small"
: \; U- j$ g2 y. y% Z
- f- y& |; C" }model = WhisperModel(model_size, device="cuda", compute_type="int8")
$ R  j/ K5 g) K3 s4 X
5 v- t2 d+ ~' C5 g2 a- q) {segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
# V' \- w) G% O% ^  t    word_timestamps=True,
6 ]6 m- t& t& d    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
$ l6 D. c$ D6 K' x----------------------------------------

代码说明：
0 _4 ?$ ]) Y, v* q8 Y5 J1，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 V  `* z" c8 b3 V! ?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。
2，segment 本身是很粗糙的，做字幕勉强能用。
% i, m& u9 r+ j8 \) s9 m' y2 F' d3，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。
% P; ]8 J- K. ^' \3 @: L. q4，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
3 B* u" m2 d" x比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
8 {. ?* b' O- d+ `, j5，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
) p+ D. x0 Z2 b其中
# \0 j  M. B% z, H+ a    word_timestamps=True,
- X8 g; g0 P& r7 O& o9 L保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
7 ?8 b" A( x5 z5 x! E; u保证能尽可能准确的断句 punctuation，但是不是决定性的。
1 X" d. k/ s  c5 A其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
! P: r0 q1 J! ^152 def transcribe(
! e% }+ q9 h; F从源文件你可以看到是支持中文的句号断句的。

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。
  m0 T4 b, Y  I1 E6 {1 o, V" a8，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。
0 e! \) K2 s+ {" V# u

nanimarcus

多谢各位榜爷打赏。