faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

4 g6 f* l* y: w8 l) @& V
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。
- B5 U: H# O: d- k  I' X1 [----------------------------------------
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。
----------------------------------------
2 G7 g5 D/ x' W# T. Ohttps://github.com/guillaumekln/faster-whisper
安装如下：
  R7 C* A2 ~' I8 u2 W1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
5 ^2 j" n5 r, N2 M$ Y, p% Bpip 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
: n- u* X6 i  F3 ^----------------------------------------
2 Y; _+ Y6 Y( J( z' W# g2 cwhisper 我用的命令行，faster-whisper 我用的是python。
- d( V+ b, ~) ]/ n; O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：

. }) i7 j' C1 C' y----------------------------------------

( @6 _  s' U8 ]from faster_whisper import WhisperModel

model_size = "small"
# s* h# n4 X8 x3 t  e
model = WhisperModel(model_size, device="cuda", compute_type="int8")
- O. p" E. d' W: c, A" w
% w/ i* O. I6 esegments, info = model.transcribe(
; x: E  F- g3 v/ L    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

& W3 t3 {0 y' c4 r' H  N8 |" B+ |        for word in segment.words:
' g( g9 p! G6 H( A1 I& p! j' R* r               
----------------------------------------

- S5 s- M- }& B7 \# j6 d; o代码说明：
" Z7 G8 ?- q% T7 B( F0 n" U# ^# L1，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。
  w0 n4 G: A0 r" R! V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 o+ Y0 m; Z& e7 m4 q2，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。
# ^  K( {! p' Q& R4，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：
. Q% p* L$ U# [, n. Y3 f5 G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
* i; _' N+ n/ z; l; a  \9 u其中
    word_timestamps=True,
4 }" r# h) G% Z保证了你能拿到 word，否则是拿不到的
. Y& w9 d+ D" P: Y: ]- z8 `5 q" y    initial_prompt = "Hello, welcome to my lecture.")
! p5 i' A8 Q( B$ J5 v: _9 e保证能尽可能准确的断句 punctuation，但是不是决定性的。
) ^5 }+ x. h; s& l6 E- O其他参数可参考源文件：
2 s2 @! ]% U8 V* qhttps://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。
  j3 W& Q- N7 V# ^5 F
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。
$ t- N' j) f. {( v& u7，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。
( k7 k) _+ P- T) ]: q4 |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。
& N9 P, t, D& x; o6 Y& N: h5 Q; K
0 c+ X" ~: X' W; d
9 i  F* L2 f8 l# U: K! Z

nanimarcus

多谢各位榜爷打赏。