faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

; u- p+ E4 I' d' G! o9 \# N
7 o3 E4 C6 e& o1 h2 C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。
  q7 L/ t0 N% L6 y+ I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。
----------------------------------------
1 z) t! B4 Q. z) i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。
----------------------------------------
7 `: p; Q& U  F* D, Chttps://github.com/guillaumekln/faster-whisper
安装如下：
1, 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
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
; @9 y# R4 H2 u4 z这是向whisper 致敬，可以不装
6，pip install faster-whisper
/ P; p- ?6 G9 d* s8 ]; u9 Z----------------------------------------
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：

----------------------------------------
. W3 y7 e8 Y+ Z% u( B3 }
& Q$ q3 E& g) Q9 @# `from faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
9 h# C0 R+ ?1 I/ w, f; |! Y
+ @7 L! J5 e5 ?" Z5 J5 \# }segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
8 M+ l/ D$ Q, O7 p* n    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
' N( @6 g1 Q( i5 E4 J
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
$ d4 i/ t1 s) [----------------------------------------
# p! L+ |- U2 d( E4 \% x! J
代码说明：
+ {. T$ T# a5 [. a+ J1，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。
8 S  G* v% R( \1 S" 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
  P3 p) u) m  J* G- l/ G% z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：
1 r' U3 e1 G, X( Q1 F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,
7 `3 H( t3 G+ a2 K0 [6 _0 e+ O9 n4 G保证了你能拿到 word，否则是拿不到的
1 X7 y) Z* P/ e& R: C    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。
其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
! s3 l& s. I8 N# r$ v/ c7 u152 def transcribe(
0 E1 T7 ]/ c  q" `. S: H& l从源文件你可以看到是支持中文的句号断句的。
  R/ g# S1 C  k6 q5 t6 x$ s' y
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。

* p& p. y: ?# u1 Z5 }" Q: K  V) D0 E

, u6 R" Q: ?. u2 e8 p+ {( A

nanimarcus

多谢各位榜爷打赏。