faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

- x, {- m- `  r$ v7 v7 d& m1 l7 ^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。
  e3 Q' s4 [3 `! y* w7 ^, I6 C% O6 A6 L----------------------------------------
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。
9 |4 R4 Q0 G! N; A! i% g# V----------------------------------------
https://github.com/guillaumekln/faster-whisper
$ l; S) r2 I5 {  P7 _4 f9 u+ _安装如下：
3 v! _* H( o8 @. B! }1, Windows 10
2, Python 3.10.11
$ ^' K6 `& Q( i5 P# A# N5 F3, CUDA 12.1
4, 在python 3 中安装
& A' [& j8 O0 o6 [  Opip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
4 `; P# b! p3 R& E- |# @9 E. K$ G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。
& d. \$ d& d9 B/ E, U( S8 R% B5，pip install -U openai-whisper
; }( Z! \# v+ L" T) e这是向whisper 致敬，可以不装
$ K$ N/ |* r9 {4 N& d7 X% U* X6，pip install faster-whisper
----------------------------------------
2 v' e5 Y* \4 y; b. Z% E3 kwhisper 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：
# d5 H& E$ C) S: o. Q3 ]; _
----------------------------------------
2 e8 J- N: k/ C& N3 h5 |( J" H
from faster_whisper import WhisperModel
7 N) b( Z6 [  M- l- C  {& E
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
5 o% z3 S' Y) i1 p9 d8 Z3 T) O
segments, info = model.transcribe(
    sourceFileName,
! o  r1 W+ f! M6 N7 J) r    beam_size=5,
    language="en",
  \+ S& P8 B8 m) Y, O" t4 c    task="transcribe",
& i+ b' I) C. F& ?, O; d$ l* n" R    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
; k- W' j7 q/ W2 C    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
! w" d4 K- f  D               
9 S( `8 u4 u! z7 ]4 P- R+ q, e+ `----------------------------------------
, z6 [( \1 s! y8 [7 h6 w
7 ^. U% Q7 q0 N( y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。
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。
" @7 u1 L% U& U6 B7 k, C2，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。
: h2 x0 d( X. K' P5 A! d' \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
, d7 S( {5 {6 U比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
4 G/ r7 m. a0 W! w. r3 G5，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
2 y# r7 a$ b, m1 C. Z其中
    word_timestamps=True,
4 r  z# c$ Z& I, k0 _" r保证了你能拿到 word，否则是拿不到的
' P, j% E- ~! X3 @& i    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。
5 E+ U" @  w/ q0 G0 b' ?; a& g. h其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
7 n4 N" ]  Q( h! U; R9 R152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

( d, G$ a8 ]" o: `1 [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。
* z/ w! ?. \1 S- Y7，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。
( |( c# w: K, \
3 x  `2 t$ I. v- w; _, O5 i1 d

nanimarcus

多谢各位榜爷打赏。