faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

5 w5 \4 m/ h* t0 S3 ~3 E( }# h
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。
, L8 C; {$ b3 ]- i- |1 ^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。
& I4 z  {  W# x5 S2 U) R4 y----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
* Z" i: s3 d- h" T; o/ P1, Windows 10
7 m2 F8 ?: D, |; S2, Python 3.10.11
+ E5 T' E% b$ p) U3 k/ X1 ^* b3, CUDA 12.1
1 E: f( V1 n& N1 H. x  v4, 在python 3 中安装
) J0 B1 O0 G0 z- n' l; B# npip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
, d1 m9 i3 B, n) v7 v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。
: x1 Z3 X! e6 d8 r. D* B+ j8 G5，pip install -U openai-whisper
+ r3 b5 F9 v: F+ u1 m4 X, A8 T这是向whisper 致敬，可以不装
9 `6 ^  v- [% o; p5 s& h, F6，pip install faster-whisper
----------------------------------------
$ {" X) `6 d0 k' l8 p/ x1 a' `! ]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：

& w+ Q. F5 Z& _' H----------------------------------------

# @/ l/ J  }) H' \$ ~4 rfrom faster_whisper import WhisperModel

model_size = "small"
1 u" O3 T! S7 h* z/ Y# l
( r4 x9 r+ h) `  ^model = WhisperModel(model_size, device="cuda", compute_type="int8")

( {7 t* x3 W: ?' vsegments, info = model.transcribe(
- B6 j2 w8 A- o4 [( R    sourceFileName,
1 W# r, e4 x# R    beam_size=5,
& ]; N: F: q( @- n    language="en",
6 A5 I5 m! \: p/ g    task="transcribe",
    word_timestamps=True,
, c9 o( C  n4 y3 M/ t# f    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
, q. X0 E& m( u1 I+ N$ z. z" T6 ~
3 i) q9 e: i+ y% M3 Q        for word in segment.words:
               
----------------------------------------

# y4 \, H+ C& ?/ O6 r+ O代码说明：
) E1 z$ X8 B+ `# D/ o, N1，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。
3 V6 t% a0 J% R$ K1 `) L% Z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。
) o0 B. @$ A$ ~# b2，segment 本身是很粗糙的，做字幕勉强能用。
0 W9 b- ]+ \8 @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
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：
9 @, h6 O: f/ b; z( c+ @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
5 ]' R2 k7 |  ~' {0 V    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
3 \0 W& I0 b( h( O0 c    initial_prompt = "Hello, welcome to my lecture.")
& O3 \0 P: T7 h* o& m5 e% U, u. z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(
8 |' a+ ]# J0 t0 {& S: Q从源文件你可以看到是支持中文的句号断句的。
2 u5 U3 ~& }3 l  |
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。
- f' T; Q9 ]$ @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。
: L, O, K% [7 T6 F- O8，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。

nanimarcus

多谢各位榜爷打赏。