faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
2 z1 U- j" o/ t& J7 q2 C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。
$ G% J( j+ ^% h, g9 O----------------------------------------
" k6 t; w5 ]9 O1 ]( C) h, _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。
$ o+ `7 ?3 [. z( x( ^5 X----------------------------------------
/ U* E5 K/ w5 w, ]https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
# W$ P2 U/ M: G9 n) M$ S- O. a3 X4, 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。
5，pip install -U openai-whisper
- p' i5 N. m1 g8 t5 Z7 j8 R这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
1 d% y: k7 R# t" w( n5 t# r% Jwhisper 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：
5 E# ?( N2 X9 K) V; `1 k+ h
/ V% _8 }. e' j# |4 U/ w! \) [: F* o----------------------------------------
: e; ?% O3 i- p4 ?$ f+ F  Q
from faster_whisper import WhisperModel

model_size = "small"

; {, r1 ^# U* S: u& U% X9 g1 Xmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

0 l  V! y+ R" ]& b6 m+ U+ C% ?% ssegments, info = model.transcribe(
    sourceFileName,
! [& _, s8 c0 A2 U0 ^% ^( q    beam_size=5,
$ E3 k! D5 ]: J    language="en",
    task="transcribe",
" T  h( g  @& J  o4 y    word_timestamps=True,
, {; Z' m7 z/ h8 @; H    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------

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。
$ h" J0 F3 m. b: C$ L  X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。
1 [8 i& H) h( f- e8 y; ^( K2，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。
. E: y0 n5 R2 y7 z4，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。
4 |% V. ~6 Z0 ?6 b" E* ~* M+ K5，model.transcribe 中参数说明：
6 ?9 w2 ~  o' H/ w6 O4 |' t( |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
- q# n; }& e3 c$ }8 o4 S  L其中
& I  X1 d! r5 o8 I    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    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
" _4 G& F: u0 u152 def transcribe(
6 A3 w5 L0 g. [9 }! F7 e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。
9 K/ @- b% Q- P" I7 X8 s" L! v7，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。
7 |& a( A& |& q& |$ R) v

( r4 b6 t1 Y0 t9 V# }6 W( |
* g3 V3 h0 p5 i+ a

nanimarcus

多谢各位榜爷打赏。