faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

. h8 `. T8 J( c. {1 _; Z5 R
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。
4 W5 ?8 v: {# J+ ^----------------------------------------
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：
; E: s1 ]9 P5 B1, Windows 10
2, Python 3.10.11
. F+ `6 Y# i; ~3, CUDA 12.1
4, 在python 3 中安装
0 H- |& s0 X# B$ K1 Hpip 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。
3 L. J5 A. b, s5，pip install -U openai-whisper
) i7 k' d3 v& i这是向whisper 致敬，可以不装
9 o  H2 f# v, I: `3 P8 r# H6，pip install faster-whisper
----------------------------------------
* W. K7 y. j3 ^/ G) Vwhisper 我用的命令行，faster-whisper 我用的是python。
! N( `- A1 t  M8 \7 z6 P$ w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：

----------------------------------------
7 A2 ]( _, v- y% G
+ }; t* t5 _% \& U( V( g) _from faster_whisper import WhisperModel

/ O$ Y% k* \% D* bmodel_size = "small"
5 e# c9 P5 a0 s2 b4 I) v( h
model = WhisperModel(model_size, device="cuda", compute_type="int8")

/ i" i* \& }5 L3 O0 E$ w6 Osegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
, X; ?. }6 i% _& W% j, y; V2 B; ^    language="en",
    task="transcribe",
; j# A8 k  ?& M" V2 ~3 v    word_timestamps=True,
3 H1 w/ V2 t- {: B5 i    initial_prompt = "Hello, welcome to my lecture.")
3 n) u1 ]% L- d( E! A! G
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
$ l; T- _) o$ j
        for word in segment.words:
               
----------------------------------------

! S0 W6 M+ y7 t" s5 v' a/ h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。
8 I( X" }$ k8 A1 ^3 f; I2 x9 H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。
1 x7 H8 S# X4 a$ z  _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。
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
" M& m3 n  g* y: T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 y* {6 Z3 r, y1 a$ S3 J5，model.transcribe 中参数说明：
( {! d- ~/ T/ A; Y6 ~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.")
& S2 R8 w* x/ _$ G4 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：
- S2 w$ M. l4 |' F  zhttps://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。
, }/ k5 W: D9 ?2 h0 l/ U; Y
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。
; z  w0 G0 l! t6 q  f1 ]! I8，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。


+ h# h- @/ \# n
2 Z+ V3 c$ K6 n

nanimarcus

多谢各位榜爷打赏。