faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

+ b: ~# T' ^% B/ @4 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。
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。
2 ?. f) s4 h8 A' U  A----------------------------------------
1 |+ D/ A/ R( q8 p& \, C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。
9 U4 y7 S6 |# m6 P" r8 N5 q9 N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。
% }( @/ L! ]% ]0 r* @2 e8 o: `----------------------------------------
https://github.com/guillaumekln/faster-whisper
) U& Y- p4 m3 g( \9 b: ]* p3 B安装如下：
1, Windows 10
: j% ^8 J4 Y) G2, Python 3.10.11
& ?* H7 @/ s  B' b+ y3 E5 S3, CUDA 12.1
4 W0 S1 l5 _0 C! F4, 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
这是向whisper 致敬，可以不装
6，pip install faster-whisper
; p* ~9 j' X- V/ v4 H" ]+ y0 T----------------------------------------
7 |/ f: W' L6 C$ U5 D  N. f# D' i5 a' N: Awhisper 我用的命令行，faster-whisper 我用的是python。
/ s! @0 ^# G) w* T- ?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：

" k6 D9 E6 c( e1 ~/ A( X# N----------------------------------------

* U  K& E$ s, P  T% mfrom faster_whisper import WhisperModel

model_size = "small"
' k) w. t8 _4 a3 d4 q! V
model = WhisperModel(model_size, device="cuda", compute_type="int8")

" W/ Y' @* m" _0 tsegments, info = model.transcribe(
. B" c/ @% G" T& n+ M    sourceFileName,
2 J: g, d$ |8 [. j    beam_size=5,
, ]2 S# \2 k. ], M7 Z- }    language="en",
! T, P) p2 y1 F2 P" e; n" R    task="transcribe",
, b0 @% f) u1 F) b    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
/ y( N/ k+ B( r) W  O
( Q) p# ?9 f2 Q7 lfor segment in segments:
9 j. n  a. a5 V! _: a    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

0 W6 {* l! n# L' D$ R& x7 x        for word in segment.words:
               
----------------------------------------
; P* x: i7 F) t+ j5 S- q6 a
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。
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。
3，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
" c* b' ~  v1 ^5 c% M* S2 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。
8 _7 _. _5 w8 ^7 A( Q& C* ]% C  l# A1 }5，model.transcribe 中参数说明：
3 |6 a% A, m+ @8 V  J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
* a2 a5 w. z8 Y/ G5 Z$ r) r其中
    word_timestamps=True,
( S% _/ q7 r* {1 T4 e2 I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
# l$ N( I* a, t, N& N, k& J152 def transcribe(
* g! y: j$ E7 s4 h$ b3 `" p8 B从源文件你可以看到是支持中文的句号断句的。
( f* O) f4 u: p5 L7 D4 j0 Y+ i
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。
/ E0 [( a) V8 V. G8，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。
1 \8 @( A  ^+ l9 i: \1 G

* V+ z$ c! e1 h2 G* S4 G4 E
; a+ G- Z, k* f4 _/ I; G+ S

nanimarcus

多谢各位榜爷打赏。