faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

5 t) y" v5 Q: S/ N; k
$ _+ K4 K4 w# ]: U6 @$ _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。
3 r2 J4 T, x1 j- W* ^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。
----------------------------------------
* Q. A3 b% }  K' H* j* h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 E) N2 d1 _4 F+ w& Q. Q3 i' n----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
$ ?+ A  m7 v/ v( H, z1, Windows 10
$ m$ @- x; N0 F& o/ {0 e! @2, Python 3.10.11
3, CUDA 12.1
9 [; {+ x+ L/ B8 I% V0 c% Y' m4, 在python 3 中安装
. l5 p7 b4 L1 E/ T, 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。
/ u8 Q$ G' _9 J3 r8 P5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
# H5 k6 i3 i3 }: r3 [4 x----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
" c) |4 G+ c9 p3 f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：

  M1 S, V" W' o( B' V' b----------------------------------------

5 ?$ k& {' t" V, i8 `  Ffrom faster_whisper import WhisperModel
' P' e5 g& d" ?
' @# D3 l. U' I; c3 E- P1 qmodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
3 u. S  H) c9 `
segments, info = model.transcribe(
) o6 O) o- V  L$ c    sourceFileName,
9 T+ G9 J( d( d7 p  k3 M2 S    beam_size=5,
* {9 t% ~+ z. K" w* \( P) b5 E) o    language="en",
    task="transcribe",
    word_timestamps=True,
. ^1 C9 @9 T0 W9 X9 y% a& ]    initial_prompt = "Hello, welcome to my lecture.")
% [) U6 v' u6 Z; p& \
for segment in segments:
! d& |: _  S. S& x  r  O    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
' X) Z- K( o) @$ F* _. D
        for word in segment.words:
6 r8 F! u; A  L6 R" X, m               
----------------------------------------

$ i- _! y/ X* K3 Z+ g代码说明：
- z$ G) f! b+ g& z  o; x1，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。
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。
, u  L7 x: ~, {( A' T4，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。
5，model.transcribe 中参数说明：
0 b8 O7 L. }# a" \  B# v1 Y8 [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
其中
! M+ U/ R9 s4 ]- s    word_timestamps=True,
$ p  B2 n2 W% C% q. k: t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。
其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

: @' U( g& O/ u" V6，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/ s/ }* T" [' U# `5 R* L4 A

nanimarcus

多谢各位榜爷打赏。