faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

/ _0 n% w% @. E" T
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。
) w" u; K/ H7 n  d/ W. `7 \0 y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。
0 b( y+ G' b, a----------------------------------------
/ @+ B+ J  J. \8 S& `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。
% D( j  K) ~0 V! H% Y6 M! L5 c3 u----------------------------------------
+ [+ R: @% u2 S4 x0 r+ bhttps://github.com/guillaumekln/faster-whisper
# K' x+ C1 R, W" v4 [# y# k- X$ b8 S9 p安装如下：
& [, j# Y0 V  I; _8 l; \/ z1, Windows 10
# L9 I& a, z$ |( ]2, Python 3.10.11
5 F- |- G2 p" O% z2 U3, CUDA 12.1
4, 在python 3 中安装
# T1 X: X: ?* q1 Ypip 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 A3 b2 H$ [8 `8 b5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
/ H5 O* w& l$ \1 b7 m$ Wwhisper 我用的命令行，faster-whisper 我用的是python。
: A; F& {  h4 M9 D6 `$ E0 y4 ^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：

' w: @. |5 V7 a& K----------------------------------------

( y- o$ V3 I& I: E! a& h" Wfrom faster_whisper import WhisperModel

model_size = "small"
/ V( _5 A) ]  v/ T! ]
model = WhisperModel(model_size, device="cuda", compute_type="int8")
6 ^8 W8 r; Z: q+ J& u
; N  G# g0 o! w8 ], B5 Esegments, info = model.transcribe(
- y" Q! D$ `0 p5 `    sourceFileName,
    beam_size=5,
4 {+ d% {7 \8 |$ D7 u    language="en",
    task="transcribe",
    word_timestamps=True,
3 e  r5 n# p# O. B    initial_prompt = "Hello, welcome to my lecture.")
. K8 s' _. A. e# C
+ Y8 M9 B) C, P! O$ o2 H' dfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
% ?1 @4 u+ G& T! B/ a0 W/ x" E               
: ^/ s1 Z8 Q3 c$ ~- L1 ^0 [7 s----------------------------------------

" ~$ i/ d0 N: K. X代码说明：
- |2 ^' e1 U: r& o8 y9 ?  f: Z1，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 z7 W) S9 U' o8 q3，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。
2 V; L$ i& Q" l8 f2 ]0 [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
  q. l0 t7 s, _3 u/ j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：
4 k' Q- e+ E# K! C/ _! z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
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
) q* S, J' l+ h$ P    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。
/ f/ \$ B% k5 e! s
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。
% z5 V1 b5 n6 p$ g8，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。
9 v# z" p; e9 _

) K1 `6 q, b, N, Q- R# n( \
; K$ N/ z" s0 V

nanimarcus

多谢各位榜爷打赏。