faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

  t5 C3 O7 u4 l1 J- h' E$ x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。
- Y9 K" M4 L5 z4 `* k$ T/ E; F* A: j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。
6 N7 F8 m; m) j5 `0 C6 j----------------------------------------
6 A' Q3 [3 @2 }4 g' u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。
----------------------------------------
6 n" |) A# M6 B6 ~https://github.com/guillaumekln/faster-whisper
安装如下：
" D  a0 w! A8 w" _5 N1, Windows 10
2, Python 3.10.11
$ ^! O; P- N, B* t+ x3, CUDA 12.1
- L3 U  F/ v, n5 {% T4, 在python 3 中安装
6 {1 R' l1 N& A1 s3 P5 ~: w  H: [pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
9 T9 J  f8 w5 m% E- s0 O" R+ w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。
  J$ W' z% p8 O3 b0 G6 V+ f5 {5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
) L0 G( U0 c# S----------------------------------------
/ y$ d% l+ Z7 o6 s7 h4 jwhisper 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：

- U3 O9 u* D* a  q3 a" b6 H4 x----------------------------------------
1 l0 z2 j8 ^9 F
( N. P; G. m# p  @6 [from faster_whisper import WhisperModel
, O3 n- m* m0 K1 w+ Y: I. D& Q
. W9 D9 N; f( ^0 a3 Omodel_size = "small"
6 M. e0 ?0 T; Q7 L# V
  o8 d+ ^6 B5 wmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
" u8 O' V( n* v" Z( G
: k! m8 M/ @' n6 T; L" v" Gsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
+ X  M, X% z: b3 ~    task="transcribe",
    word_timestamps=True,
% {: z# @  V; |8 c" E    initial_prompt = "Hello, welcome to my lecture.")

$ ?: V0 M- @+ y' E+ ?for segment in segments:
$ E2 L" K5 L9 `; n" R0 t& ~3 l    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
0 d. l+ c( h6 N! b% v! ^* z) W
* B: {- h( }  V  S9 {6 F' A        for word in segment.words:
* [& ]" ?: w0 c               
----------------------------------------
) b6 @& c1 i# Y' |7 }7 y
代码说明：
3 R- k3 J( g! X4 D1，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。
4 D( o  T* I5 X+ L; b/ y. u3 G' y: v2，segment 本身是很粗糙的，做字幕勉强能用。
7 }8 z+ |( `7 Z$ l3，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。
6 s6 m; h% M& D4，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
1 q! a0 L6 |* Y6 ^比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
: J; y' F' U9 v5，model.transcribe 中参数说明：
1 r! ]7 t2 M! R" c+ F" V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
. t* n) p/ {. `0 ?其中
0 v# h4 T# Y3 z. `: O" |    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
4 T/ \: N( m0 @, K    initial_prompt = "Hello, welcome to my lecture.")
0 F4 S! Y4 E  ~7 A5 M3 k1 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：
1 o/ |/ E# z+ }: b2 [https://github.com/guillaumekln/ ... isper/transcribe.py
" u. |6 _3 j* |: c152 def transcribe(
. \8 Z4 L/ n; u  p. V$ D* u0 E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。
4 e; m/ R5 i, W1 i+ C
9 g7 C1 F6 K4 h! x  Q! v

nanimarcus

多谢各位榜爷打赏。