faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

  ?; D+ E3 n# i9 y" Z6 y: j3 j
- G' J6 _6 }" d+ `1 _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。
: k: F, z* t9 s1 M1 x----------------------------------------
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。
8 d9 x8 U  \" E- l----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
; j+ D% B1 h; W1 D; K! G2, Python 3.10.11
' P6 x) S* c; l2 x9 m, H2 h3, CUDA 12.1
4, 在python 3 中安装
6 w& w4 X. y* H6 X! Epip 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。
% {* P5 D5 l: i0 F: c- s5，pip install -U openai-whisper
6 z( b, @4 m8 n这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
+ I3 @8 m$ s) H4 ~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：
6 l' W9 Y3 ^& M) M( ~
* z& l7 L# ~4 g3 h+ |----------------------------------------

4 I3 {% {- K  n8 cfrom faster_whisper import WhisperModel

model_size = "small"
+ E  \' {/ p# @3 p; M7 y! B$ \
* ]5 J  [  g9 a' t- ~& a% mmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

" k' A; _% }1 k% isegments, info = model.transcribe(
    sourceFileName,
$ P0 }4 G% D) D* L    beam_size=5,
. [8 f! r! k# i4 k3 H! |    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
( I4 G! \+ A. s1 W
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

( {2 w0 `5 e1 @* T' _& ?        for word in segment.words:
" Q. a" \* B0 o6 w. l3 W               
----------------------------------------
2 Z3 Q: B, E5 ?2 t/ |
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。
7 H' h, y6 r, j! v: @3 E6 c3，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。
. J! V$ d5 K$ e: F. N6 ]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
6 G% \2 L. e5 K- Z1 i1 K+ 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：
7 x" a$ b3 l- F/ \+ i7 N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
$ Q& U0 J1 U' |其中
5 W8 C: z- `7 Y9 c! y3 F; S    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
$ d0 j! P, ?2 D: h; L+ p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。
9 r2 u/ }1 }& U' d& `
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。
' |$ I# D0 O/ W; h( o5 X+ Z( X* X
5 v4 K: @+ [, y6 x, V$ t
  f- g0 r/ T. e0 y" T% K
0 [! |, ?% S) `

nanimarcus

多谢各位榜爷打赏。