faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

7 v& `; t2 K7 d& J, w" L
7 ^. [. O5 X( ~' g; D( _- y. [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。
5 `; J7 T+ E8 r. w* ]----------------------------------------
  N( }0 P/ W) t) a7 K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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
, R8 Q& b! X6 r6 [' |. a" E5 V1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4 P0 ^, E0 L2 I# }  l4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
1 ~) L7 [- e$ |8 P7 z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
: }, |: z" N" y4 {) Q) u3 B6，pip install faster-whisper
----------------------------------------
  x" J+ [0 ?% B) ^whisper 我用的命令行，faster-whisper 我用的是python。
) A. s& `$ o, u: `& J1 z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：
4 l! @8 E. b& ]% l, |
----------------------------------------
/ R; ?6 X! Q8 d6 b
5 {2 a/ F7 I$ t$ mfrom faster_whisper import WhisperModel
: s2 V( P1 r# @5 ~2 ?
8 X- q! N! W2 P! g: Wmodel_size = "small"

  j! W+ U3 `4 H! wmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
8 t( [$ U; x& W" T+ E' N
segments, info = model.transcribe(
    sourceFileName,
! I9 l9 {8 O8 F& ~* M3 C0 z    beam_size=5,
2 X; H3 r/ W' o1 F6 M* Q    language="en",
    task="transcribe",
- z1 r4 b5 W1 W7 x( D    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

3 ], R% i) e2 `# k) Xfor segment in segments:
2 M- G% t/ v, O- j) b" i& x    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

: l6 g, g* ]; J! l: J1 w        for word in segment.words:
, l  e) b9 L& c% H: X+ B               
( v1 O2 B$ \; S( q! J- m----------------------------------------

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。
( l1 d& |" q8 b' t( B5 ?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。
$ H# T" q8 p8 T( Z2 a3 J2，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
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
; S. Y$ ]' H) j- a6 R5，model.transcribe 中参数说明：
+ M- ^* \7 y) ^6 n1 _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
, D& Y' r' W: E# T其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
% A$ X, k6 G  Z! {5 f    initial_prompt = "Hello, welcome to my lecture.")
) f7 A, j0 Q# \: K0 H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
" G  C% ~7 F' M9 ^+ M152 def transcribe(
' Y3 n- i: Z- m/ }+ Y) U. y从源文件你可以看到是支持中文的句号断句的。

6 J' V# Q9 c( _: K6，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。
* O2 V. T, v! R& h7 p2 H7，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。
& V4 w" [, L0 ]( n/ ?: b% H

/ V- }8 `, S4 p  a% [$ W
2 b) K  A2 _/ i9 s3 g+ Y

nanimarcus

多谢各位榜爷打赏。