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。
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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
! R' m/ E1 K2 A1 Z% M- x% U1, Windows 10
2, Python 3.10.11
1 B% Y7 E* v. \$ F: I3 |3, CUDA 12.1
1 f7 M2 o" ?1 r9 C9 D4, 在python 3 中安装
. L( K0 s; X4 `+ c6 xpip 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
这是向whisper 致敬，可以不装
6 U/ B1 W9 Z1 _7 @6 `6，pip install faster-whisper
----------------------------------------
5 \. c. m  f- j- D/ t+ ~whisper 我用的命令行，faster-whisper 我用的是python。
) Y# p2 z5 P4 ~& o! y) r$ v8 y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：

----------------------------------------
6 A0 ~& |7 g5 F' t* i
) l  H" i5 U2 Dfrom faster_whisper import WhisperModel

model_size = "small"
; K" x7 y, U8 `. f: {
model = WhisperModel(model_size, device="cuda", compute_type="int8")
8 O& J  \" Q* Q1 J* }
segments, info = model.transcribe(
" h5 D* q0 w% |# N0 M$ A    sourceFileName,
    beam_size=5,
* q! E1 H. h* Y* x- `+ }5 J    language="en",
0 Q7 B' n5 I' b    task="transcribe",
    word_timestamps=True,
' k+ r0 }. Q/ _7 `6 G    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
/ u2 m- A6 Z2 P. c               
2 R0 \; p  w9 S8 u# U! U6 x----------------------------------------
  _! O; z" `( b, T' k4 p
代码说明：
4 m4 I; m- \# _: _0 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。
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 Z' w/ Y. W0 I, K( R# A8 X4，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：
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
    word_timestamps=True,
& X1 p% [& S/ |; ]保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
1 x# x8 A8 G/ k* x9 a: y+ b: ?保证能尽可能准确的断句 punctuation，但是不是决定性的。
' I$ H8 _* r/ s, w3 I. R( Y其他参数可参考源文件：
. c3 c0 t# z, T1 Vhttps://github.com/guillaumekln/ ... isper/transcribe.py
% `! O3 {7 }$ C" m0 b152 def transcribe(
1 ^2 A9 \  R% s! M6 W/ _6 H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。
9 }  Z' V5 w" m8 h7，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。

. C1 r9 w/ f7 i7 r2 G: {9 |" O

nanimarcus

多谢各位榜爷打赏。