faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

$ d7 @/ J) b" U# k- \' r: _
4 ^' `/ p) p, Z$ x! G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。
+ A& O+ B! Z: e- S9 N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 g: R$ a" F8 @  ]  u' U4 i3 M3 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。
; i8 Q2 B1 C1 }  N1 f- D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
2 P& l7 @! N8 A+ B) n& @安装如下：
1, Windows 10
% G/ W+ b5 w  R5 \0 J2, Python 3.10.11
/ k: q7 C7 w: R1 I) @" g: a  [: B3, CUDA 12.1
4, 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
* L2 i; g( ]" H6 C----------------------------------------
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：

$ h0 S% V. L/ {----------------------------------------

4 J% b( D9 i+ J; \# M# l( afrom faster_whisper import WhisperModel
& Z3 N; j6 G/ W5 B7 B9 ^
model_size = "small"
/ }+ t+ ^% k- Y
& {% `8 p5 J5 U( l9 vmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
: q2 z! h: O+ Q  K    task="transcribe",
% U! b6 V$ G) ~, S4 d    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
5 X3 N* G" e  c2 a+ i
4 {& j* V+ l7 f" qfor segment in segments:
* U6 W* G& o$ p/ A. x    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
7 M2 r( f* Q( s1 Y7 H7 J* `) m----------------------------------------
+ l: ]  t" i% `! X; {7 z+ h) ^
代码说明：
# `# T, J' t' Y+ `$ }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
: @; @0 u1 S, S! x, T% S: o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
其中
5 ]( _2 C4 ^3 n/ Z" \- F2 o" G, W    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
3 c) S7 C3 s- n. s: D% P4 ?9 O    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。
1 q& d2 _* C0 a: X$ w) W( F6 T其他参数可参考源文件：
1 u5 M+ e/ t; J8 t6 H4 P( xhttps://github.com/guillaumekln/ ... isper/transcribe.py
* [* Z- k) P, X6 O& g2 S152 def transcribe(
/ e4 K  S0 m, T从源文件你可以看到是支持中文的句号断句的。

; v" n( N: O6 ]0 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。
. j' j% S- `, c# L, ?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。

. F) N; \* t; h4 n  D0 k+ C1 x
7 y+ ~4 d) h/ I. m5 d
* X6 P% ~- [7 h% k

nanimarcus

多谢各位榜爷打赏。