faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

5 l8 d1 _; n2 f: d2 y0 \9 [% m
. S  e$ @8 P5 T  n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。
4 u* t6 J, g( w- z- G4 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。
8 c; m( s2 {0 n7 z( @3 G* G----------------------------------------
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。
! N) A& y' D1 E8 _# ]* |2 p----------------------------------------
- H4 I# y4 m( X3 B# x5 Chttps://github.com/guillaumekln/faster-whisper
安装如下：
' Q8 h  U: \, R1 F' n1, Windows 10
2, Python 3.10.11
, A$ k7 W6 O3 @3, CUDA 12.1
% C- m/ b- Z0 U& ~# u& g6 F4, 在python 3 中安装
8 ]  n! j5 N; w6 n% \2 G& bpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
5 k) |9 ]0 D* H9 F0 N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
6 \0 a. t! [  S2 f4 W! r8 {这是向whisper 致敬，可以不装
/ P( D/ f! j. W% u# \0 ^; s- {; b6，pip install faster-whisper
----------------------------------------
, X+ \  n; G  mwhisper 我用的命令行，faster-whisper 我用的是python。
$ j9 u' ~) w2 R! X" W0 w& L/ H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：
4 ]# H* L3 v, @
( A; k( `% `; r! }, l. D& ?----------------------------------------
9 ?6 W, Y1 V+ O3 o% h
from faster_whisper import WhisperModel

# I9 A. F) X3 |  [model_size = "small"

8 P' O- z+ B, [( Q6 a: ^model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
+ O& [$ Z: A3 ]% r- Y0 U% B    language="en",
( d0 }( `( c( k5 R% \$ F    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
( h( Q% b7 W7 v# f/ A
for segment in segments:
3 T6 D5 L# Z6 Z1 K" ]( u  ?; ^  z    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
- s, {/ l9 I; T4 p
2 U( K/ S) L0 F! F1 e/ Z* J        for word in segment.words:
' u- L- [4 }4 S! E; s' E/ g               
----------------------------------------
+ L- E! U% d2 m  F2 [
2 X' n% E! Q+ Y  ?0 M, R' E代码说明：
" v) W* U5 o% O7 J* `; o1，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。
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
3 P. [' R8 k: n) v; Z. D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：
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
, F' }' l5 g. y2 [# G$ w* L    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
4 I/ s* ^* p. q" {/ p; z    initial_prompt = "Hello, welcome to my lecture.")
, l3 f0 N+ F3 N0 S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(
! T' C9 b4 w& h5 ]) j从源文件你可以看到是支持中文的句号断句的。
! \' D1 ]: @( F
) g6 _& \* `) r1 {6 H2 |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。
0 h% L) z& T" p2 U) v, r8，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。
. F5 Q5 j4 \8 P) k+ W$ l0 U
% d, j8 C& B+ S- k) x1 T$ s' P

nanimarcus

多谢各位榜爷打赏。