faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

( D9 s4 V  {: p6 o. `# Y
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。
1 n( b+ a/ d8 C0 Q  w' H) r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。
& K* f. p- `( I/ s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。
3 d) ?# t8 z' k- F----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
4 c6 l. O" v2 r/ A+ J( c1, Windows 10
) @' J) S. i" M1 w2, Python 3.10.11
3, CUDA 12.1
! h+ T; F# \5 c% j$ l3 [% c4, 在python 3 中安装
" o3 N& d) d5 `3 spip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
- p% y- h( J+ [, o% P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
8 S; }, E5 o; \2 T7 u( G( E6，pip install faster-whisper
; a( a1 ~/ }& s: y% r0 ?! ]; b----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
; U& N1 m& Q2 J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：
6 S4 m% m( ^" }% z: e
----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"
- h  l6 X9 c# l9 B/ U3 C
model = WhisperModel(model_size, device="cuda", compute_type="int8")
2 E# u! o" w; e2 {* o: S3 U- X, Q
* t& g* J6 c- x7 {! O2 b5 isegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
$ {% `9 ?0 P; r  E    language="en",
1 e6 k' j5 j/ [" q6 j6 h  ~    task="transcribe",
    word_timestamps=True,
2 W3 z* e6 ]% F: E5 K/ L) d9 A' g: f* x    initial_prompt = "Hello, welcome to my lecture.")
, k" x$ p5 R" L! q6 g
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
3 V, ]& @0 f- g4 x- M
        for word in segment.words:
; R& j5 U' c) p6 U/ Y7 Y               
----------------------------------------
) W4 R. M( V' B; T& w: |
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。
  B- r  W8 y/ X6 w2，segment 本身是很粗糙的，做字幕勉强能用。
8 c$ Q" u$ H: c2 c* q) G8 \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。
5，model.transcribe 中参数说明：
4 D  s" J0 d/ T& x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,
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。
其他参数可参考源文件：
https://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。

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。
/ [. b3 A. z6 p- z$ k* Y7，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。
, E" Q# V8 q9 H6 c


+ ]* f0 G( E6 Z* j  u" D! E9 K  y& ~

nanimarcus

多谢各位榜爷打赏。