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。
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。
7 a! z3 @2 |* q0 T6 C6 \5 c  P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。
----------------------------------------
; O3 {5 l' X  Z0 Zhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
+ y' Z. |( ~; C/ W+ l3, CUDA 12.1
3 U  ~9 Y8 D, r5 a: r, }; Z4, 在python 3 中安装
' A- k) |' H5 g* k8 @pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
6 \! p; {+ q' ]$ A, \" v  J, |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 _/ V% g4 E* n3 ]6 ^) W! y这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
* q3 H9 C2 g8 x4 Y) cwhisper 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：
4 W( T- P4 e6 F
3 }. D1 d) A; o( F3 q----------------------------------------

- p: U' m  ^* b/ v9 ]& ?1 ]) Wfrom faster_whisper import WhisperModel
: Y- y( U6 a2 G5 [2 l4 S- l
model_size = "small"

0 P$ z3 E( b5 r& Cmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
9 L( t$ T; L( H
, F$ w' R( @2 j! ?segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
( l! f- I3 K% D2 |+ O' p2 |    word_timestamps=True,
- K# B* P% z  q    initial_prompt = "Hello, welcome to my lecture.")

. [7 S" c% ~9 T) Y* {for segment in segments:
& \  r2 {/ t' d5 ?( J; v" x, S    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
5 a' G# R2 Y3 Z2 x$ F! X4 m1 |
        for word in segment.words:
' X  D0 b5 {! v/ T2 }( [+ N               
, O# {' t; h- ~' m( X. K# j: a, f----------------------------------------

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。
4 i- @4 C( @( K. i' [" ?7 o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。
4 E" s% D8 E! B2 V- w3，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，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
* M4 D+ k+ [' R( K. A- X2 ?* z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，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
3 J% @! V' I9 E* ^' S. e其中
* z; P. ?, [8 J    word_timestamps=True,
+ N- P/ A5 E/ T7 T. Q" I4 u保证了你能拿到 word，否则是拿不到的
    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：
, v, O- Z/ N2 R; Phttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
* X6 U0 O6 v$ B9 q: f% Y从源文件你可以看到是支持中文的句号断句的。
6 F* C9 \; j  x/ S
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。


- ^4 r& z3 B2 n2 w/ m
% W2 U& T4 ~, `" m% O5 v

nanimarcus

多谢各位榜爷打赏。