faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

% P' q) X6 k3 q- ^% g
( n7 p$ {  [9 F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。
----------------------------------------
. J. p7 [8 _" a+ d' S% ?' w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。
) h6 j+ U9 ^8 E$ ^0 F, C% ?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。
: _& O1 b* K( o, O1 z----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
3 V4 ?% ?4 Y5 T, |. P1, Windows 10
2, Python 3.10.11
3, 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
9 R! |7 w+ N  @2 x/ M2 z6 U5 i/ Z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
) @$ r  E  w1 f  n& _0 u( K  _6，pip install faster-whisper
5 j1 N1 w  \7 w# c9 [  r. k1 A" D+ v& @----------------------------------------
: A3 ^, l' v1 u, L' Swhisper 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：
: J! i# s, D* m2 a
----------------------------------------
& a& W! j( y7 D1 M
4 s. X. d) B0 k$ c5 ~) A4 Xfrom faster_whisper import WhisperModel

model_size = "small"
* _1 W  C! H4 e7 x! ~
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
6 o8 C+ G+ z, y2 z9 |, F1 c+ ~    beam_size=5,
+ X& N# N7 |0 ?* c    language="en",
4 z6 H7 j. }) u5 ~    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
+ Q* N2 \- c5 q7 p
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
" t. M2 O+ Q1 f2 s6 ], ]
        for word in segment.words:
( K, s9 H5 p* H               
----------------------------------------
& \3 G" G$ b; y$ e9 H! K8 x- x6 E
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。
4 l: l1 P; [/ L7 p% O8 U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。
9 w, {, [& O4 z1 E+ N5 l2，segment 本身是很粗糙的，做字幕勉强能用。
9 b" x9 L( B' O2 W3，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。
  J0 d2 A. B, @5 F$ W! J& S5 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
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
9 T  P8 h3 @' c/ M: [! x+ Z) _2 Z    word_timestamps=True,
3 Z" N) n# n- J6 D  O保证了你能拿到 word，否则是拿不到的
. z2 ^6 T* z+ a* ]+ w- ~    initial_prompt = "Hello, welcome to my lecture.")
( m! J- I9 E5 x! B+ [4 |) G% H0 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：
https://github.com/guillaumekln/ ... isper/transcribe.py
- v8 w- d: d8 X7 {4 b152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

- D/ A) ]0 z( L! O+ n% k: L. u6，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。
3 G8 D/ M$ F# @: F0 E8，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。
7 U9 B' P8 Z$ R2 Y& |' M


6 I& Z8 k* d# P' ?, h8 j

nanimarcus

多谢各位榜爷打赏。