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。
7 _) c, b5 A4 i9 l' j5 H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。
0 x3 t% y* j# v* C; @----------------------------------------
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。
# D) w6 N; ~+ _1 O5 S: @4 J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。
, O1 a/ F1 N- N4 |! y+ \----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
0 m% d0 D6 n  z$ q; N" S/ r! f, R3 Q6 N4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
* Q6 M% H& f4 y' q1 J; b* r, ^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
2 T6 _& V1 N! s2 \; f1 b) c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。
7 b& w/ J# ]+ k( _4 m) r$ y" G: ^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( R0 |' {% c( v/ q
from faster_whisper import WhisperModel

7 _- i( j" m3 s% J$ S1 `# smodel_size = "small"
' b  C" L9 `2 B4 W
model = WhisperModel(model_size, device="cuda", compute_type="int8")

- X. L! a8 t, G. P: g; S' U+ usegments, info = model.transcribe(
0 Z: u! ?5 `. b% z- Z    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
1 H$ {5 v: r! d! C
5 P5 X/ w& q6 Z1 Qfor segment in segments:
2 Q" c1 J9 R0 ^( S/ L/ k    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
* f1 |2 r! J# G& d
        for word in segment.words:
+ g7 n5 z; t0 u; P/ P4 G) D! e& c               
! f" x0 X3 q$ C; x' [9 ?5 k----------------------------------------
: S$ S6 U* x( b0 R9 a9 z
1 r  c; V) J1 y- q+ N9 D代码说明：
7 J9 Y* t1 g+ q1，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。
3 v0 S" m3 q; V: F& e$ G) E9 g+ D9 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
7 ~2 w5 t" I3 K' v1 C  ?4 c6 Y比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
3 N9 R5 Q: P+ o! C$ z; R# U+ z5，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
    initial_prompt = "Hello, welcome to my lecture.")
& I% b0 {$ O4 K1 \: y& v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：
& ]( T2 e4 s5 C: d, ghttps://github.com/guillaumekln/ ... isper/transcribe.py
* n% |7 o3 @  O% d' n: k0 S152 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。
8 y4 l  p8 \) ?$ U7，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。
, U* W' X( }) Z) N) Q) @  f/ `
7 w* J6 K  B& E6 e) z

1 V6 N" a% G6 e) i

nanimarcus

多谢各位榜爷打赏。