faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

/ J' \$ F6 B( ?- y4 ]  w8 S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。
/ D# d4 x% v, N& R, l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。
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。
0 p, O2 i! \! d----------------------------------------
- v8 O4 Q6 f# ^4 M# x7 uhttps://github.com/guillaumekln/faster-whisper
, L; Y0 j- V% b$ C  r安装如下：
1, Windows 10
2, Python 3.10.11
3, 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
2 b# i& Z- P1 ~  B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
5 i& k3 P# Z6 [/ H* r% `6，pip install faster-whisper
# O; j7 r0 y! X" X  P! e8 L----------------------------------------
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：
* f$ h6 J4 b9 d2 R5 D/ n
----------------------------------------
# G7 ^: E. v5 V. ^7 y6 ^- D7 A
/ ]7 U: Y* W; \from faster_whisper import WhisperModel

: ^( K) Z& c& B& Z) Omodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
! M# Z1 f7 ~& C- I/ p' K. W    initial_prompt = "Hello, welcome to my lecture.")
+ z3 Q9 s1 {9 w- Z9 n
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------

6 ?' B3 T/ z0 z& ^6 P  ]代码说明：
1 Q, H+ w3 r% x1，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。
2 P, d1 E" @) N# T4 }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。
8 \3 O/ _+ u( t4，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
* d: D5 }1 V' c9 c& F$ V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
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
  x5 v+ o% _2 L6 N1 a/ _: N    initial_prompt = "Hello, welcome to my lecture.")
# `) @/ b; `9 R保证能尽可能准确的断句 punctuation，但是不是决定性的。
7 |$ L  [) \; U其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
5 {6 ~% x( Z8 O2 \152 def transcribe(
& T$ t& |( u, B$ ~" K/ F从源文件你可以看到是支持中文的句号断句的。
/ a3 B. O( W: ], _& x4 z* x1 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。
/ r# o. A/ e* {3 [, c. L8，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。


7 U6 O, G  l9 D

nanimarcus

多谢各位榜爷打赏。