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。
' |3 V/ F, }" r. g7 A; c" W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。
----------------------------------------
5 V0 p; X0 d% f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$ O- C# a5 \  ^0 N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。
3 R/ k# [% c5 u; P----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
' O6 h/ o7 Q( Z+ S  ]: E0 h2, Python 3.10.11
3, CUDA 12.1
1 U# n( J6 g. h% `4, 在python 3 中安装
' c0 k' |- s  q+ f, N% n& p$ w! Tpip 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。
, Y- Q3 p% r, E: T- B5，pip install -U openai-whisper
; A! x5 U- R& k4 G" u% ~& S: _; H这是向whisper 致敬，可以不装
  h$ e7 Q- C% e7 F6，pip install faster-whisper
6 C' S, S* q6 x- A# K2 D6 F4 g----------------------------------------
. T' I5 U# k9 Kwhisper 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：
% L. ~9 K$ I4 s8 y4 ?3 I6 Y
----------------------------------------

! E# \4 P+ H& N$ T1 }/ Ofrom faster_whisper import WhisperModel
/ G5 Q9 M7 z# g
& \2 {6 R% s7 v( O) xmodel_size = "small"

# }4 i* e, ~! `2 F9 _1 r# dmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
: H9 k% ?2 {: ]) k    beam_size=5,
8 ~% s& K3 `2 |4 I  f; p    language="en",
$ E* K' N2 _: o' e% Q    task="transcribe",
" {* J" o" D/ E' _$ O2 _, G    word_timestamps=True,
3 p# R, z( U  e/ {  z$ O* w    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
+ z2 D; k/ l; L  \) `* _3 O    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
0 G5 c6 N2 w3 j- s8 R1 L/ s
+ ]; V3 {; {: r8 [) q1 z+ h        for word in segment.words:
% C' n# X5 _+ t+ }% z               
----------------------------------------

& Z3 _3 s1 j2 s* k7 T  J" Z* m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。
2，segment 本身是很粗糙的，做字幕勉强能用。
' f! F5 e7 D) s% L3，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。
1 s# ~  Q# \* g6 @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。
3 b# x+ b: r5 ?; p" B7 b5，model.transcribe 中参数说明：
$ K2 n: x2 Y% k) c) A. d: f% K: g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
1 [$ f" o( `2 P    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
7 L  b% J. l, N    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。
+ p/ ?1 T, r  B8 F" j! L3 S) b其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
. @: k+ f* r. v152 def transcribe(
4 h3 Y+ o$ X) j! o. B! l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。
8 K2 A! z9 z% @/ W7，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。
5 ], A( g/ P0 @1 y
) X  ~- D* d/ d# L

3 n* {+ ?% v3 I# g2 m1 @) z2 T

nanimarcus

多谢各位榜爷打赏。