faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
  m/ P1 o/ }7 f- P. C2 }0 B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。
1 z5 d9 o! T& y. t2 d6 v, f----------------------------------------
) i7 i6 ]1 U' \3 e' k8 G  N0 s$ I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。
2 ]/ _  h' U# p) h" [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。
! M1 u5 K% ~9 x! ~  I+ b' U0 z----------------------------------------
, ~4 M! b0 C: a% j. C" Q/ X; ihttps://github.com/guillaumekln/faster-whisper
安装如下：
+ d/ N7 H+ I: p" F& g1, Windows 10
7 w0 S# \7 u* l7 C! x  Q' [2, Python 3.10.11
3, CUDA 12.1
" Y5 O; h: P  ]9 E. Q. r  I; u2 q4 t4, 在python 3 中安装
3 E  V# o' H- x: ypip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
* W1 q% P: I9 H# Y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
----------------------------------------
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：
5 I0 x. ~8 q5 e4 x8 K
----------------------------------------

from faster_whisper import WhisperModel

. j- B9 b2 ]0 X% V# T% }. j  a! |model_size = "small"

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

segments, info = model.transcribe(
" C. |3 j' h4 E* s5 m    sourceFileName,
3 F. ^) e1 |; w    beam_size=5,
    language="en",
% v/ b0 ]' C5 {. G- T/ U. `  C* e) _    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
% ~; U) b9 f4 t+ i1 }( w6 ?
for segment in segments:
3 ~# V9 r& N0 L& k: F! a$ d    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

1 y/ w4 H7 u" E) {        for word in segment.words:
               
: @. s; D1 }" ]! @  A2 B----------------------------------------

5 }& F6 |0 Z% ~& X代码说明：
# W/ \& _6 d) j9 N5 B/ I1，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。
9 M! N9 ?( t: I( o- H& ]' X% c4，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。
5，model.transcribe 中参数说明：
' ?% _/ Q" i( C& d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
) }' }# |  T: |5 g1 F- F, H( S  [    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。
' W* i# R, {# l' C: A9 V其他参数可参考源文件：
8 ~3 Z: {* D, z+ O  e" fhttps://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。

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。
' h) U& E# X% ^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。
. W; ^$ S5 Q  B8，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。

nanimarcus

多谢各位榜爷打赏。