faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

' L* D( I, }% h/ j0 H' l
% ?1 c  h  _1 Q1 G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 a3 t0 t3 G; L6 E' `, n! d- L8 Q$ Q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。
----------------------------------------
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。
! L7 v0 j: |, ^: D/ X- r& C! l----------------------------------------
7 D' n3 ?# O% Q+ `& }1 ~https://github.com/guillaumekln/faster-whisper
8 M" Y; g; H: p  g: l3 n% g" Q: l安装如下：
1, Windows 10
* F6 v& F5 F4 S" s! T4 w0 O2, Python 3.10.11
3, CUDA 12.1
7 [" U4 v3 ~9 M5 R# B4, 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。
. F0 F# w  A+ e& p5，pip install -U openai-whisper
' T/ X7 |9 g" r这是向whisper 致敬，可以不装
. d  y. _9 S+ V1 z; O3 G6，pip install faster-whisper
# q7 n0 l0 ?1 S% }) T----------------------------------------
* m' @- A& p' O6 A4 L& \( `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：
- h4 E8 x2 T# D0 ?5 H
5 I/ E6 s0 o4 {5 k. e9 J: T----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"
# a6 ~" F1 V/ c' H5 G! {
2 H5 x" J$ `. e, Q2 k9 gmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

! F/ e2 {% f7 l9 ^$ Ksegments, info = model.transcribe(
! ~" s9 {. ~7 D5 ?  }+ x& P    sourceFileName,
    beam_size=5,
( N9 F7 V* S/ G  c  ^* G( f    language="en",
$ u% y# C1 k/ l. ?# k    task="transcribe",
$ N! u/ V3 p9 {# G( j    word_timestamps=True,
* s$ G  a7 A5 ?0 t    initial_prompt = "Hello, welcome to my lecture.")
3 |, w8 i6 M" }8 C% f8 ]
0 W2 ?! d) I5 A" o' Wfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
) h  _& G8 W  C" v& N. E( W% e
; `; C. K& F0 v: j' C# u. X        for word in segment.words:
               
" s6 d0 _+ t5 |" |4 O* L+ ]& x----------------------------------------

5 q6 t' _7 Y  M& C1 V- l' U# C: `代码说明：
; w# G/ G6 r) C$ T1，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。
% Y: X* X% O. h7 L2 y, O8 m4，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
. u$ ?* h5 P& W/ H0 w3 |比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
+ @) |8 [8 O; z8 G7 n7 @2 [, u5，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
其中
    word_timestamps=True,
) h3 |" A. K3 g9 T: ?保证了你能拿到 word，否则是拿不到的
7 P  E2 Q" u9 J% H8 \/ R* \& G& d    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：
- |0 A, L; ]9 V2 \! e3 r8 A8 Ihttps://github.com/guillaumekln/ ... isper/transcribe.py
3 a' C4 f8 j; F# B/ B3 h152 def transcribe(
3 r* e* s, z0 e' `9 _! d& ~& g从源文件你可以看到是支持中文的句号断句的。

# T' Z9 ^" o2 p) i0 X8 v$ B! }. B) X! ^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。
& r" z0 F9 P+ A) o  y6 B  O, i
' D8 B" s$ I4 n1 w2 `% {

& F. k" D6 r6 P$ M* E1 G

nanimarcus

多谢各位榜爷打赏。