faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

7 }) H5 I( _. Q* j# ?( d
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。
3 H7 {- O4 a- X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。
9 j; p, ^1 {/ \9 Q" h----------------------------------------
& _5 s# t1 e9 z( }9 Z* o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。
----------------------------------------
: Z% E* t3 R  }https://github.com/guillaumekln/faster-whisper
安装如下：
+ _/ p* m4 Q& U: O2 P3 e1, Windows 10
2, Python 3.10.11
8 R1 L$ j, P0 f) n, ?3, CUDA 12.1
" C# T8 h/ w  ~6 v! u' T) e/ Z/ F4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
5 q/ c  G- h) m; R2 b$ d" I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
( w% \% r& d# h0 j! `& D9 I这是向whisper 致敬，可以不装
; ], ^- b: J- r7 z! h* y6，pip install faster-whisper
" Q4 ~2 |5 N# C# |: q. ~----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
5 H5 L' S, q9 {% j# H- I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：

2 B. T+ h4 C- x0 y! |) o  U----------------------------------------

from faster_whisper import WhisperModel

9 a7 S0 F/ `2 r; f( f5 e+ ~# _model_size = "small"

' _) p8 D5 Z* H* R7 O& z6 b$ gmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
" A+ H0 s# `) E' C% |* S3 ^
% h7 b% e5 C8 z+ d6 bsegments, info = model.transcribe(
    sourceFileName,
  {5 x7 Q1 X5 U/ {0 {5 d$ x5 R    beam_size=5,
    language="en",
    task="transcribe",
# i  o+ M7 T# l    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
6 e1 w8 ]$ N4 P/ F$ C( F    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 H# z4 T3 ]8 o. W6 u# g3 s
        for word in segment.words:
( w( S. h1 s- c* J/ P               
3 Z# h/ c  m8 M* X# p, C6 n" t----------------------------------------
* O- r/ E, f  C, ]  y" O
代码说明：
: K+ u2 e0 e/ G  ~. [. n1，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 d  Q( k& h! W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。
  p. I, {7 K2 o. I( u- f2 g! ^* m- Z4，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。
* v) u& f6 d" U* t! `5，model.transcribe 中参数说明：
: `8 d5 A( ~5 p/ [2 E- \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
2 h$ q8 K& t1 O/ p其中
$ v" V4 _% x1 \: P2 M! Y0 Q4 t    word_timestamps=True,
& a& C7 \9 K) n  g保证了你能拿到 word，否则是拿不到的
! j4 E, ^% V$ w! e0 B1 ~# U    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：
https://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。
0 u3 h2 |1 i0 j4 S) Z2 v* y
0 b; d7 v8 M) h1 @* T8 S6，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。
- ~8 |8 D" t& e5 {0 i4 Y7 `+ _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。



& D4 F6 }& r: q- c

nanimarcus

多谢各位榜爷打赏。