faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

$ ~- N) f+ [) f, F
! V" u; `3 P( J' P4 j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。
8 R. f+ C  Z8 G" A----------------------------------------
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。
% @4 t/ Q& _5 _. F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。
----------------------------------------
6 U, z: U6 W. ^5 U3 V( C7 D2 chttps://github.com/guillaumekln/faster-whisper
: B$ {; V4 u! h安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
) k/ Z. t# W, U* U3 B6 |% K0 G3 }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
! g( y  V) z. }3 y% ~" f----------------------------------------
4 [1 G0 ], a* t) k& i6 p- q) Uwhisper 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：

3 l3 Y" i/ t; S% A+ d/ Y----------------------------------------

4 D7 f) Y- h9 ]  e% y# I1 |0 q' r5 Bfrom faster_whisper import WhisperModel

, \: U" ]3 N9 Y5 E! jmodel_size = "small"

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

segments, info = model.transcribe(
4 ^' v( t! \! s; o    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
  [- b+ W& m& U+ _    initial_prompt = "Hello, welcome to my lecture.")
) `8 F, `  n  r% O: q
+ _( b5 B- P6 j1 A1 u+ P) H1 Nfor segment in segments:
8 N% P$ N8 h% N7 x    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
8 N( w8 T9 u+ j, \7 M1 ]8 x
        for word in segment.words:
$ B0 P. u: b6 Q" }- h/ q1 \               
' j5 v- Q2 U8 D' ~" _----------------------------------------
3 x$ Q* \9 W$ G
( |) l) r1 e4 l, t2 f2 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。
( X" L: ^# T& M/ V3，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。
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
2 g+ N7 d- B# L% V: r" g$ [    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。
其他参数可参考源文件：
# s' h. u5 g" K, n3 H" ]/ d1 ~2 ~https://github.com/guillaumekln/ ... isper/transcribe.py
  R  u, b; y( f9 g152 def transcribe(
2 e) Z) u9 P3 B4 y0 C; {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。
0 p3 j0 q- Y) u5 F) Q" \4 ~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。
/ g9 I( c  @5 \7 {; `* Q8，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。