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。
& P/ i: g9 h$ r( T1 @0 ]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。
/ b! K5 _( ?: n& U----------------------------------------
; Y2 r. W+ C; F( R6 e3 {( }! 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。
; b5 m) z1 `7 i. B' J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。
----------------------------------------
; D' F' D) J: w9 @% h& Z7 L8 _! {https://github.com/guillaumekln/faster-whisper
安装如下：
) V! c0 Z; G* F$ Z  t/ h/ h1, Windows 10
, ^/ l' h6 @" i$ Y3 b2, Python 3.10.11
' @; [/ E1 W( I' C5 S3, CUDA 12.1
4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
7 D5 u  h# Y6 U1 z) u3 C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。
1 N: t. i: H# u7 Y' D5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
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：

7 ~; Y' v5 A) G; i. D! s" m4 r% A----------------------------------------
$ m5 u- r$ e- _5 }
& [& W$ K/ P5 J% \, gfrom faster_whisper import WhisperModel
( p+ ^- I) u+ n
3 v5 a! C" L+ lmodel_size = "small"
, I" v3 ?' @& ?* H8 S1 ^0 a
; D0 w5 d# Z7 Zmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
# v1 ^6 f, z+ ]( Y, S2 D; T7 h
+ r* B7 a. Q, o9 Usegments, info = model.transcribe(
, W% s7 Z) F' D4 Z; \: P5 Q    sourceFileName,
. E9 F- y7 B! f$ E5 F    beam_size=5,
    language="en",
    task="transcribe",
  `; _6 _. d3 m" F$ ?- P/ \) s8 y    word_timestamps=True,
& ^6 A9 U3 K. ?; }    initial_prompt = "Hello, welcome to my lecture.")
" U2 o/ q8 `( ~6 e6 i  g; J
/ Q; _* V% @, a1 Hfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
3 w) B+ t7 D/ H' v" r! M----------------------------------------
* j, x. l, ]2 r3 h: }+ r1 S
! W, A0 [% u: s, s7 M代码说明：
) K# R: H8 A3 Y. i1，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。
( M. Y/ |2 f# E0 I5 f% }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。
: U* [! l, F* |: i/ ?; E4，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
! ]' H; D" T' j# ?$ s3 ~/ O" m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：
/ {4 `# p) J% w+ v. B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
" ?# n, ^) d! q9 {9 ?其中
6 e8 ]+ \/ [  I, A6 H1 p    word_timestamps=True,
& C8 D: r0 I7 P保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
- a; q" T! A4 B5 b& I% ^, a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：
( c( w9 f" w* {( O/ K$ Whttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

- [3 c( [3 S. Q, d& N% w7 g4 U/ 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。
4 X4 f' h, S" Y# W& t1 D7，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。
" n; b2 X: ~  M- L

* [5 X4 r8 }) i

nanimarcus

多谢各位榜爷打赏。