faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

+ R# m, |" ~* }7 P) [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。
: o- _( b% X' P( C1 {----------------------------------------
2 O/ X! h) ?0 B( v% z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。
" k, [, @8 H3 c, h----------------------------------------
. k! m! ]: \( J( R* X2 ?* |https://github.com/guillaumekln/faster-whisper
2 K% }: q2 B, u% v安装如下：
* l# f9 _- K2 L7 q, f. {* m- y1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
pip 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，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
whisper 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：
% g6 `' w8 c0 ~1 h4 [* M3 y9 _
9 q9 o2 U! f  I! d/ x' e" ?1 j$ [----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"
; j- `% H! b8 e0 A
model = WhisperModel(model_size, device="cuda", compute_type="int8")
4 t; y  f7 A& X! j" k+ x
- i5 T+ k  B( P$ w9 B- j+ d" ]# [' tsegments, info = model.transcribe(
+ g" T8 m7 E) z0 v: q9 a. e    sourceFileName,
* ^: f5 W3 _! l  h+ N! d% B# n: M    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
) j( W5 I; W: [4 M2 y! |
5 b6 j3 \3 \. A0 x2 xfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
2 {2 I6 y" |$ X" r' ^
8 `3 }5 m- R$ b8 Z- i' Q5 C        for word in segment.words:
               
----------------------------------------
2 {- @! _. B, V1 K2 a
代码说明：
; M: M3 m5 m: o1，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。
+ _9 a2 V0 y/ {2 E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。
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
; w1 N) X0 b+ U; a" Q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，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
% [+ R) Q! [( k4 v0 c4 r其中
" C  Q5 v0 Z, j$ _9 N) X) [8 E    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
* ?; d3 R/ J, @6 p5 {+ G' |, F    initial_prompt = "Hello, welcome to my lecture.")
9 J$ y6 i2 A0 j: \" I5 l+ s+ q* o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
$ g+ L9 N, E- D. G* P152 def transcribe(
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。
, C% @) U: ?0 D: I0 p4 J8 O7，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。
3 T( d% r( e; O+ E6 `) \8 G3 Z& ^, K8，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。
; {( j7 X* }7 n! B; L
  W6 Y  ?/ v$ {2 H- T6 }. l/ [* H
2 c. U& T+ |+ ~  v0 p4 P& N
7 y# U8 v& [+ o

nanimarcus

多谢各位榜爷打赏。