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。
6 E0 e+ @; o0 G* M2 h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。
----------------------------------------
8 d* z3 h5 h5 I5 p; T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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
6 d+ l2 Q. C. ~! Y- S" p; a1, Windows 10
: S8 g/ ]$ e/ S9 e; M" l8 \1 _8 q2, Python 3.10.11
3 {0 ?) |3 ^4 @( Y3, CUDA 12.1
+ Q5 j. O4 i9 o+ }- x6 }. Y4, 在python 3 中安装
4 G9 J4 j& |( B) A8 r4 k+ Spip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
* V4 ]3 c/ @1 d9 l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。
) J/ Q5 @3 Q0 S2 O* ?2 s5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
: ^5 P" K; j" m& }+ A# |6，pip install faster-whisper
, _  |# }3 n5 Y1 S+ Z9 }- n----------------------------------------
2 @0 I& \" [3 |whisper 我用的命令行，faster-whisper 我用的是python。
; W8 z% F' p; y, E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：

----------------------------------------

from faster_whisper import WhisperModel
! d; |: a( w9 v5 T
' t. ?$ C% B. b. S- Bmodel_size = "small"
, O$ s' G( e. y+ h
model = WhisperModel(model_size, device="cuda", compute_type="int8")
6 j! Z! E. U# W  z+ g' Q
segments, info = model.transcribe(
  e2 S  x, X' j. O5 P* b8 ?0 w4 s    sourceFileName,
    beam_size=5,
    language="en",
+ m5 L# F0 v+ M& x3 z    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
0 ~/ g2 I; W6 X. r% Q
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
: Z" }& p9 J! P$ ]) _3 j! W! B" r
        for word in segment.words:
               
----------------------------------------
. r+ F0 Q4 H3 W* L# d
: a- E. [) ^7 e8 A代码说明：
  M% s6 `1 B; B; }. R. a1，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。
) N: q6 l2 C. Y7 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。
! q" J/ L3 F- I, I/ T2，segment 本身是很粗糙的，做字幕勉强能用。
: N( S0 h5 K  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。
0 s0 [1 p) ~$ d; K& w4，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
" ]9 R0 Z9 T% S3 U比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
5 f: @6 {$ l  e8 G5，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
0 U2 [( d# x/ d% j1 E: Z其中
    word_timestamps=True,
' j3 x8 @7 [  g保证了你能拿到 word，否则是拿不到的
5 [. K0 f' ~, h; i9 O    initial_prompt = "Hello, welcome to my lecture.")
* D7 C6 s5 D3 U  o. G6 F保证能尽可能准确的断句 punctuation，但是不是决定性的。
+ I/ I  k8 e& R其他参数可参考源文件：
( O$ ?1 X5 v  G2 \8 h1 a4 Dhttps://github.com/guillaumekln/ ... isper/transcribe.py
. T) J5 F# m6 g" g! W* Y4 j152 def transcribe(
* t6 v& J- X- t4 a从源文件你可以看到是支持中文的句号断句的。

. W/ @# G% \7 F4 Z5 {0 i6，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。
6 ~" @1 M. Z# ?  l* D7 `! j" E/ 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。
# L! s, ]. f7 |* X5 L9 V( _
" ~! v: ^5 K$ f# w% x0 Q9 D

nanimarcus

多谢各位榜爷打赏。