faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

2 Z- `5 \' g+ b3 r! U
7 ~2 E8 z* H( x' a) 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。
----------------------------------------
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。
8 J( q6 Y, F0 b& N----------------------------------------
https://github.com/guillaumekln/faster-whisper
& Y" I8 Z* Z- G  l7 s0 C) L安装如下：
1, Windows 10
2, Python 3.10.11
% `+ n' u9 [5 z& A  Z0 G1 J3, CUDA 12.1
6 u- j( b9 i6 h& U! ?+ L: o$ Z1 ^3 R% k4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
2 c/ W* i: _- d- a( {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
( |1 G' V' j* v: {" D这是向whisper 致敬，可以不装
+ ^3 y0 O$ b6 U6，pip install faster-whisper
----------------------------------------
& j8 M/ {1 x* X! ewhisper 我用的命令行，faster-whisper 我用的是python。
7 h& M, \3 G! h% `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：

----------------------------------------
3 R9 ~' O  ]$ u" Y  V1 I
from faster_whisper import WhisperModel

# f: G& E4 U& l* R+ Cmodel_size = "small"
; A4 ^5 |- g8 O: A& F
model = WhisperModel(model_size, device="cuda", compute_type="int8")
" o2 l# h8 K/ f3 M2 _
% V1 v3 B! \7 l0 n; T/ csegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
) c8 G7 Z! q+ P( ]3 y6 ]/ b4 _4 ?    language="en",
    task="transcribe",
    word_timestamps=True,
( h. P0 A2 `* S# z    initial_prompt = "Hello, welcome to my lecture.")

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

6 P( X2 t( u5 A, l3 {8 r5 `5 |        for word in segment.words:
$ J, F( K  ^0 c& V  G. w               
----------------------------------------

代码说明：
' F# P9 _1 }3 r8 P( T% X1，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。
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。
0 t5 J6 v6 R4 w# d) U; `' e3 [( d5，model.transcribe 中参数说明：
. y8 [1 f% U5 Q% F4 }; s0 y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
; K/ S( M& E4 J0 }# _其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
8 A! E& d9 B" [    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：
/ v, e9 P2 P( ~% s! h4 _/ uhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
7 J& o! m1 e7 m# Q
( N9 D( T8 D! U9 K0 @8 _" C" @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。
* X# S; C2 {  H+ y9 D7，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。
# b" Z8 u! k' E6 R5 Q5 |. B8，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 I* A6 g! q4 o  y1 u( {
' C. |/ b% O8 ?7 a

nanimarcus

多谢各位榜爷打赏。