faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

$ u: E( |8 f) }3 G$ S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。
----------------------------------------
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。
* I+ ?5 z0 H, o/ Q' D. V4 N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 [' F% U8 {! Y----------------------------------------
% R$ V) W2 ^& X; h; nhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
5 i  X+ F! y# a& `4 Z) p6 ?2, Python 3.10.11
" l7 V7 S2 J( V7 p0 X. [( B3, CUDA 12.1
4, 在python 3 中安装
( @$ s  b& J1 ]" Ppip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
1 L4 u. I/ w6 a. [) U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。
- l# T* Q" R- k" [5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
! {- s. |9 I+ S4 ~1 \6 d6，pip install faster-whisper
----------------------------------------
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：
2 Y5 R( s% O2 j. A( j4 x. n+ C6 w
----------------------------------------
6 Q" h4 V, w4 w3 `
from faster_whisper import WhisperModel

% ^: r$ U8 v3 x% T* |& umodel_size = "small"

2 e9 a6 y. k( cmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

6 P9 N* \3 r; S7 j2 ]% B1 E& ~segments, info = model.transcribe(
! J5 `" ^5 o; e" X& ?3 _9 \    sourceFileName,
' q# j0 h: w" U8 D/ @  k    beam_size=5,
5 j4 B, Y$ j& |0 d    language="en",
/ }- M9 {5 k) @' t    task="transcribe",
3 }6 K) L% d. E: I    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
( r/ q3 g3 g, \+ c3 b    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
* {2 a3 q3 H4 V' o) U, }               
: y: m) P) t2 B& r----------------------------------------
- D% T3 U; {( B2 H  Z) g
代码说明：
1，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。
+ t) E( l! I4 \7 U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。
% X( S' i( @* z/ D( K1 D2，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。
+ {& n6 C2 e& X4，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
9 S; z; y* p7 c$ _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：
8 X% ?) @' w! c- G6 |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
& C" {( o8 \# D7 i& ~% d其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
+ O4 C4 K0 c+ w% d. a: _    initial_prompt = "Hello, welcome to my lecture.")
0 F, d7 \1 \  S* X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
. N& x9 P" {  l5 H) o/ X152 def transcribe(
1 A6 g  e  h5 `8 K" u4 s0 |从源文件你可以看到是支持中文的句号断句的。

5 ?( s+ J1 @3 R/ y/ y: z' k6 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。
: c& J9 R2 W. L- m" z5 K- b7，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。
5 m1 w& |5 m+ ]+ I3 p/ X$ B8，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。
& m& h) J, j4 h6 ^( M+ ]" p
! |3 @, C% q  P. F2 k

3 q' l: u% P* F9 H% x4 F- ]0 y3 ]

nanimarcus

多谢各位榜爷打赏。