faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

; H3 O* p  m$ D. R  y
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。
) b& {! j( W0 o; ^: p  Q3 d, A" P0 A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 X4 g, U  I7 _' x7 ]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。
9 e1 y5 @. ~- U8 t8 E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。
8 D  L+ `/ ?) W2 W7 U0 ^----------------------------------------
https://github.com/guillaumekln/faster-whisper
$ g$ _5 I" J9 y5 M2 a2 ]+ l安装如下：
% P0 K* D1 D7 ]2 r- q* l( v1, Windows 10
7 H) t  h6 ?) o: S( T9 {2, Python 3.10.11
4 @3 {9 d) I  Y3 A$ l+ S. f: F6 M3, CUDA 12.1
4, 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。
' r: Q4 b3 P; X# l  @/ l8 @* D2 Z5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
" v# w) U5 b4 `5 ~' y3 b: I6 P----------------------------------------
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：
1 p% t8 |9 W! _# N+ P" P
% n' H  D* x9 {8 G' v6 F----------------------------------------
* D7 M$ A/ H+ m. ~3 @
+ f) I+ X" g" m* H- |from faster_whisper import WhisperModel
& \9 Y2 q( V! _, |5 t# ~
! _4 Y6 g& A6 }# T( K8 I3 Amodel_size = "small"
+ a+ I8 [; u9 C& v
/ ?. m* J1 A$ m! O0 xmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
" X8 I1 w1 Q2 b
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
' ~' z) x/ n4 {    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

3 A8 Y4 o8 O# D/ j$ Rfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

! n8 w6 }/ D! T8 C        for word in segment.words:
4 \$ P: A# H) k( r& `# `4 t               
----------------------------------------

代码说明：
# _: f7 s/ U2 r& W& \4 _+ W+ ]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。
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。
$ v- a8 |& J0 C- X9 ?; J# @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
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
. ~4 S+ u( Q8 J1 Y1 n    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
6 C0 U; X6 q( S    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
/ g# X" f$ \* D1 O2 Q, L! E152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

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。
& F+ q. R1 r% I8 o9 P2 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。


' [8 _4 p. k0 [

nanimarcus

多谢各位榜爷打赏。