faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

/ u/ M+ y# l% s9 M- n
8 l: S/ Z8 n: S/ h0 t7 s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。
----------------------------------------
5 v* \- F8 x; a* `! Q$ x8 J8 ~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。
2 B% `7 A; d$ Y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。
' W! E7 Z- w9 g1 v0 g  F% O! n" `----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
) t8 A* r% {( t0 h8 Y! C* J. x/ w3, 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
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
% g8 s( w. f5 ]& @这是向whisper 致敬，可以不装
6，pip install faster-whisper
. ]" i. a, j) ^----------------------------------------
  \/ v# E6 I( @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：

% R1 o. n8 ?8 O5 q----------------------------------------
. c. T+ r, B# _0 {0 L
: X) U, j( Z' ~  d7 D$ mfrom faster_whisper import WhisperModel

# S" w0 _2 X7 f2 H1 K5 Tmodel_size = "small"

$ z* e+ b/ O/ y, B% Fmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

3 k* A6 o4 u  P5 f- j3 |segments, info = model.transcribe(
7 H0 G* B' C. e" i: R    sourceFileName,
1 n" q& {: `! h( [3 }    beam_size=5,
; L! i3 X; @# Y" I% I" c    language="en",
9 n1 D+ B  d9 B) S    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
; f6 r+ L6 v0 |    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 s# d( d1 D: r5 V4 y; s7 o6 v
% p) ~; N( L$ X" @' e1 {        for word in segment.words:
               
----------------------------------------

0 o. U' ~2 d# e. ~& s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。
$ B- O  J0 f/ q8 w4 B3，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。
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。
9 }3 l7 \0 H" m2 Q& t! i5，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,
; B: z$ f6 I( {) V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。
, c' Q+ g2 g+ G/ f2 a1 x其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
; b5 g$ |; j7 c6 E* F5 z5 W( ~, B' A152 def transcribe(
" B( y, j8 ^" D  s6 B从源文件你可以看到是支持中文的句号断句的。
8 _  G8 C8 l# a; ~! [
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。
: ?: ^0 P  {' u  W6 o% P& N8，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。
# o2 j1 w; x6 U

, H  Z& S) P8 t7 o2 ?

nanimarcus

多谢各位榜爷打赏。