faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

- |& V) E, _& I: ?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。
  @! e2 }4 g9 \/ Y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。
& f' R/ E/ A. P; ~8 y" z0 r----------------------------------------
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。
( Q8 Q1 V5 N; x0 ]# M3 `4 Q" R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：
1, Windows 10
2, Python 3.10.11
& `- Q0 m0 m2 L6 I3, CUDA 12.1
4, 在python 3 中安装
9 M0 A, D6 J" W! rpip 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 r5 {% [, ]. M5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
5 n/ y5 m7 ~4 J( ]6，pip install faster-whisper
----------------------------------------
* F8 i! \+ `1 X& \  y9 }! L, Fwhisper 我用的命令行，faster-whisper 我用的是python。
! q4 M$ s  _" d- e. @# T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：
  G9 G9 x! g0 N9 Z! [
5 V2 @! E  f7 O! p----------------------------------------

4 V4 _" t2 m; u2 h$ Pfrom faster_whisper import WhisperModel

model_size = "small"
4 M7 `4 g. {# I- |& E+ w* o. I
/ X% D2 e) v6 qmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
' o8 ?3 _  U4 Q  v' x
3 W$ s* k0 q% k; Ssegments, info = model.transcribe(
    sourceFileName,
, d3 L( c# j9 |: l    beam_size=5,
    language="en",
; l$ ?0 [0 {/ @- N9 A  X    task="transcribe",
* ^. @6 [' N5 h7 _0 j/ }    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
. g0 O, |7 {" H- E6 P, H
        for word in segment.words:
% \+ J5 V* v$ c               
& p' n& G4 G1 {# A1 c# `----------------------------------------
8 G3 q* {' x- c2 M  I% e, Z% p
代码说明：
7 o2 Z& e$ G* J0 v& [& I0 z1，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。
2 L1 B* w1 o: p4 ]1 j5 @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。
' O; p+ j5 {+ L' _& }! E# `2 x2，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。
2 b! f- Q* C' D, A3 n4，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。
6 \9 i& @  z9 b; s; y. B/ k* I5，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
+ K) O. e; Q5 a! B其中
; C7 N; T1 }% l9 _5 G. U) r    word_timestamps=True,
# l) @; Y$ C: q保证了你能拿到 word，否则是拿不到的
    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。
7 r* P, c' p# ^" |* l8 @其他参数可参考源文件：
" _; [9 D7 a. T# j$ rhttps://github.com/guillaumekln/ ... isper/transcribe.py
7 Y% q6 Z) ?" k7 O+ D+ V- F152 def transcribe(
6 t; P0 ~) ]( Y0 ?0 s9 |: 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。
- i% @  o* d  Y/ g% x5 [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。
5 p5 G- d1 A" P; B5 h, @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。



) w; e) W. C1 K3 L" \! W4 E

nanimarcus

多谢各位榜爷打赏。