faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

% K$ |; q) j4 }8 S0 Q* E4 |
% Z: X( X4 A% ~4 O1 y3 J+ _' I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。
" h2 i% g4 u7 v* N$ ]8 s----------------------------------------
5 a$ B/ d3 x- D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: Q& E9 b! C8 d* e! [+ s( U2 E: v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 A& K  S5 u0 ~$ }( G----------------------------------------
6 Q0 R; b, }. ^  ^https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
' V% U9 N) _7 r! K3 ]5 [3, CUDA 12.1
+ ]/ H# \; X$ ?5 D' z4, 在python 3 中安装
/ k& I, w+ R; `pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
' f9 D- ^  O$ r5 w' Q, w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。
% u- G3 W3 S/ s: g5 ^0 z, L1 M5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
9 _: H5 R- J+ u! ~----------------------------------------
2 S  l! S1 j4 D: u5 kwhisper 我用的命令行，faster-whisper 我用的是python。
7 ]; R4 n% n+ F. g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：
9 b# S; }8 A) K, X
3 e& ~0 |# T% D! v4 [7 V: S----------------------------------------
; v9 `' o% ]" O* k. m
from faster_whisper import WhisperModel
8 ^3 G2 S9 h* R
' {# k! ~( e3 z1 Qmodel_size = "small"
$ D2 g: N" y" A9 Q9 j
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
$ ^8 m! n" y: ~& T    beam_size=5,
    language="en",
    task="transcribe",
: K6 d% q+ S( ?) e& j5 c    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

3 F% }( z# R8 t$ c( P* I3 Ufor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

# B/ R3 B3 y9 u, X5 E, t3 h        for word in segment.words:
: C1 l3 |8 ^: t; w3 @# {1 \* \               
----------------------------------------

8 y9 z1 T2 q; {* [0 U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。
& \% d( u8 U) c$ b) k& M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。
3 _0 W5 C0 e5 r# d4，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：
' X: X* }. D' l+ W5 K  b, w0 p9 p0 s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
. ]0 B  q9 b- V* n! P, |1 z! B& w2 ~3 j其中
    word_timestamps=True,
/ u9 f) p1 ~- M$ b保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
; b- y( C3 c- @6 ^: g( D0 h  c$ s, T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：
6 M) X; s" K2 k- M( Y: phttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
- x! X2 c+ j  A& e/ E7 N从源文件你可以看到是支持中文的句号断句的。

1 M' c) ^. _3 f2 a9 e  }* B/ r6，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。
0 D0 i3 j: a( @- g# t" F7，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# Z3 G9 ]5 P% K# ~% t8，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。

/ y4 A8 A- Q' f, P4 r

nanimarcus

多谢各位榜爷打赏。