faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
3 O2 g  J9 [5 {5 I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。
: ^1 Q. T9 f; \0 b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。
8 X. h) K/ N' W; K* N) p* Z----------------------------------------
4 E( F3 |  y% J0 X  ]' nhttps://github.com/guillaumekln/faster-whisper
; S) x9 H+ X% B; y5 b  O: b& W! P1 J安装如下：
! C1 Z# y3 W, R: @! k9 @1 w, G4 W1, Windows 10
' L, m4 u. \% `* X/ j' p2, Python 3.10.11
8 ?* F( b: e6 f4 S5 u3, CUDA 12.1
- Z3 \  v! m0 |. {; O6 @1 S4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
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
9 A' i  r# [# x: g这是向whisper 致敬，可以不装
6，pip install faster-whisper
4 W; x" U% k# D6 B1 b----------------------------------------
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：

3 i$ d' J0 s+ ?0 j----------------------------------------
3 ~' N8 B( A: o2 k  r
6 a/ M8 g- q% }  Z0 t8 @2 j6 N" A7 ofrom faster_whisper import WhisperModel

+ u/ g+ b  P4 |) b8 J4 ymodel_size = "small"
3 O2 N( g8 _4 G! a' }' R' H& `
  w$ @2 d4 a2 v$ b5 H" M% K4 Vmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
. B, Q3 \5 L8 p
segments, info = model.transcribe(
9 _/ M7 b3 `* l5 ^, u. ]: ~# H    sourceFileName,
    beam_size=5,
! v7 q2 @' ]8 W1 ~& `. t# k    language="en",
* `( P6 E  }' b- k9 q# `' i" ~    task="transcribe",
    word_timestamps=True,
  T3 j0 m) p3 @9 S/ Y    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:
! A! n: j0 |( o3 Q9 q& t+ h               
----------------------------------------
6 S: a4 ^( G8 T* `* q# T' o
1 S, }2 z. j$ [( ~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。
5 s9 p/ X6 t9 l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。
* P3 N5 t0 U0 p  ?3 B2，segment 本身是很粗糙的，做字幕勉强能用。
% _8 Z6 E, H( |; q2 N& L3，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 R: O- b% a, c6 m# ]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。
6 D# S- v* ]- V, i* j, d5，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
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
% M" Y- e6 D( y* V    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：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
2 f6 {$ _( g  l% O; f1 U, }+ i  B9 z从源文件你可以看到是支持中文的句号断句的。

6 P. U: p: A" N; z! |- t6，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。
$ _$ R( K9 A' M7，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 C- Y; t" F3 y, N- t8，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。

) V" t6 o) c5 r, \
/ S8 V# l) C& Z9 _7 L/ D

nanimarcus

多谢各位榜爷打赏。