faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

( M3 {6 ^( `6 J: E1 [7 D+ b
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。
' [/ r5 {% p; [& V1 ]1 M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。
----------------------------------------
6 t/ ~# d( t! H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。
6 ^6 e) a6 G+ {" _' l0 n) A  }$ R2 r----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
& ?3 `0 S# E; f( r. i/ u1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
" L0 n7 m) Z* J6 n) {1 u7 }7 kpip 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
8 r0 G( Z) n: ]8 L这是向whisper 致敬，可以不装
  C7 V: D7 r( n2 [9 o& m5 }+ q$ y6，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：

1 U9 W, l9 e3 ?) j1 P----------------------------------------
9 I/ F! U. ^2 k% v! C
( N+ s/ i: ?3 L  d, j! yfrom faster_whisper import WhisperModel

model_size = "small"
2 r' v) S7 C! O6 X9 w4 ~
4 q+ y! M& _% A& x9 U( [" jmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

6 f9 s& O- K- c8 Wsegments, info = model.transcribe(
# K4 }8 O# Y& ?4 X& Z) D+ X5 f    sourceFileName,
    beam_size=5,
    language="en",
! L. x( Y9 k1 b' ]8 w+ K    task="transcribe",
" F) ]: A$ _1 O2 V0 I9 U5 _/ O    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
- S+ ]8 o9 Y. Y7 \/ H' N    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
, x  U) ?- j% r. x9 H               
----------------------------------------

代码说明：
: W; E, V7 k' p2 T5 Q. N" 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。
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。
1 B% K2 P: T' I" w: e3，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。
; @6 g# o. ^' A- B) O# u1 K. _- r1 o4，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
0 U- s' u& B# u5 E, C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：
6 b+ I4 D( C& s' H; @( x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
4 s; c* B# ^" `* ]* d0 q% L其中
    word_timestamps=True,
9 U" Z, I$ [3 |+ B6 c+ K( S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：
https://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。

5 ^2 p. C' i! X6，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。
9 e& L& |2 _* k; }& j7，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。
0 W6 o5 {* S7 m; L8 m7 ?, P# i
7 b- S5 ~( L) Q4 M% y/ Z

nanimarcus

多谢各位榜爷打赏。