faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

$ v# u- y- H/ M6 |5 B7 ]
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。
----------------------------------------
* Y. x9 S" r: V( S. D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 v2 Y9 E8 B, x! l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。
8 y5 Y, `7 u: ~1 T6 I----------------------------------------
$ @9 q& {1 O# r0 dhttps://github.com/guillaumekln/faster-whisper
  |5 \! m0 ]" S: Q( S8 e; B安装如下：
1, Windows 10
2, Python 3.10.11
% i1 U; H0 h# E( i4 u. ~3, CUDA 12.1
  n+ y. N! ~3 R4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
7 i1 \, \( V* @& R; O- M  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
这是向whisper 致敬，可以不装
; s& R  M7 y$ ^0 t6，pip install faster-whisper
- |  q2 v( T& h----------------------------------------
% M* K+ d9 J% [! 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：

1 e2 j6 v, U' C+ O) ]) Z----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"
: f( m  E; b5 ^
model = WhisperModel(model_size, device="cuda", compute_type="int8")
2 J& z" r* e0 \! [1 W- W3 }. t
" b( O3 q0 k7 R/ ?) ^' s) V6 _5 tsegments, info = model.transcribe(
4 z+ y# j7 I$ h" b0 I    sourceFileName,
    beam_size=5,
* L$ X& s1 z1 N* }    language="en",
    task="transcribe",
( E' j0 a  F" e! q1 B7 b    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

' }; L0 T; q$ _% gfor segment in segments:
0 Z5 g) D" _. e4 x. W    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
6 W$ }9 w2 C. |6 u  u( \& E& \               
----------------------------------------

) n) ^+ Q( a7 j& Z2 M; D代码说明：
& {. W3 n+ Q% t5 X" S1，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。
& f) h7 m1 }0 x6 |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。
3 q( l9 B/ V7 [% s% }2 N2，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
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 }$ s% f0 O6 n. [5，model.transcribe 中参数说明：
1 r4 Q4 b3 V# T7 l) K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
/ ^( E0 \2 e6 I其中
  M5 y( A$ R0 u1 c, U  \4 v8 m. e8 S, r    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.")
8 p5 l6 D/ J6 `% Z. p保证能尽可能准确的断句 punctuation，但是不是决定性的。
. l# N5 P- m% o7 A4 f0 x! i! [其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
+ a6 i8 b, G: n$ h" V. U3 \152 def transcribe(
! Q, P  c: j, r5 ]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。
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，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。
. @& b$ O' j+ Y1 N  Z: m

: q8 C& X: W6 Y7 z9 v/ Q& e5 j5 d
: A3 u2 [7 Z1 R4 c+ L- f! r

nanimarcus

多谢各位榜爷打赏。