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
+ l) a( O! v8 T% N1 c* n6 Z安装如下：
# H  Z+ {1 ~+ ]" S1, Windows 10
$ h: c1 |! k- r7 j2, Python 3.10.11
3, CUDA 12.1
8 C+ B% H6 u0 t/ `) _+ }4, 在python 3 中安装
pip 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 d5 Y" ?6 a* A9 D5，pip install -U openai-whisper
1 G+ s% y, [- q这是向whisper 致敬，可以不装
& c/ n) v2 p3 F$ n: w$ E* f7 O5 h6，pip install faster-whisper
4 D8 K: D! R  X5 s# I/ Y2 g----------------------------------------
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：

----------------------------------------
+ |8 u9 F- K. e; B. W
8 m# p8 J! F/ t: f2 h' Bfrom faster_whisper import WhisperModel

model_size = "small"

  K# j. `5 J$ E2 k9 ?9 E# h7 Xmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
  g' `' I& g  u    language="en",
+ t. z  I* w1 \3 K7 U0 h    task="transcribe",
    word_timestamps=True,
# U2 Z2 w8 k" y* D    initial_prompt = "Hello, welcome to my lecture.")
" e/ r$ c- S1 n3 \
for segment in segments:
/ K; z' N2 O! S" _) c    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

! U6 d' ~) g# T# C) E' ^; T        for word in segment.words:
               
7 _; R( W7 b0 g+ r# c----------------------------------------

4 E6 ^! H& r! V- D  X9 ]代码说明：
' H5 F3 o7 C/ w, ~) u" p1，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。
- n1 G8 U( S$ N7 N3 M2，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。
* a& t! a% x# Z; {/ G4，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：
% y' R) ]7 K2 L7 k) c& G6 z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
4 p6 V  j# {8 o( M    word_timestamps=True,
- g9 M! t8 X+ i+ _3 s保证了你能拿到 word，否则是拿不到的
    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。
3 R! d) }* R4 }; X其他参数可参考源文件：
" ~  Z5 Z4 u' U, Shttps://github.com/guillaumekln/ ... isper/transcribe.py
/ L2 `3 M# C. p0 b2 d' ?152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
9 Z! e% F, O8 E, d/ J4 z
. U  U/ D1 j% j0 {& {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。


3 v0 y, `. F) {( r* b# i( r& k

nanimarcus

多谢各位榜爷打赏。