faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

3 P/ n2 j4 ]# u$ P1 G
. R7 H) t7 A% n$ U+ i1 |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。
5 q1 d  ]* }) N8 p) Y# `8 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。
----------------------------------------
9 x$ e/ g# j' P7 _) b. ?' B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。
6 i' E1 e1 G# Q  \; r4 G1 V4 W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。
  e4 U. B6 l4 K+ G8 z5 Q. z----------------------------------------
https://github.com/guillaumekln/faster-whisper
+ N8 v& \! _6 h! {! s0 |安装如下：
# B, B5 \$ f5 p% g/ u' t/ g' m1, Windows 10
. F/ B: G/ Z% a6 l5 O2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
6 u8 y0 @4 E0 x/ [0 r/ epip 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
5 P! _6 Q, ?/ w- ]) l1 @" |/ i这是向whisper 致敬，可以不装
6，pip install faster-whisper
+ D5 ^3 q$ Y' p1 t----------------------------------------
1 Q. k0 [$ }: L5 V( awhisper 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：

  G& {6 _, x/ I. f! {/ T' g----------------------------------------
: G. o( J: q0 w, p  V
from faster_whisper import WhisperModel
7 Z1 E5 f. s; k" |
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
* v2 l% v5 a+ H$ s
' H1 P+ c" a1 s  jsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
* I4 \5 f  D% a" o1 U% m. [    language="en",
    task="transcribe",
0 z$ {! \2 R4 b4 \6 y6 j    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
' o# A- P7 Z- P0 h, J# u3 T/ _% E
' f9 c& j1 Q; i4 Xfor segment in segments:
- |5 j6 p: B8 w* \8 U) H    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
( p  k4 i  e4 h# C+ p0 T/ z
        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。
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。
5 ?4 t% g2 H% U' X7 [2，segment 本身是很粗糙的，做字幕勉强能用。
4 S9 T7 Y$ M# Y3，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
+ n( z: B7 Q: A比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
/ u/ z6 d+ p! H6 O7 D' S5，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
( \1 U6 t1 H  \! d; d其中
. h/ f/ n* w9 M  L' X6 z7 h    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
) c! @8 D0 }# h! W/ q$ H    initial_prompt = "Hello, welcome to my lecture.")
2 v- B0 d+ [' Q0 ~) x/ q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：
# r# F3 M% P. s6 y- I9 r7 Ghttps://github.com/guillaumekln/ ... isper/transcribe.py
$ i! s: @' V6 q0 D7 A- P152 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。
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。



, b& h* j* S) m" f" v

nanimarcus

多谢各位榜爷打赏。