faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

9 t7 g: B! H* o4 e# h
) U) z2 j# D; d( Z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。
* u) R2 D9 `  B1 E" x# H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。
----------------------------------------
' ~: v$ o* p6 |+ {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。
----------------------------------------
" F4 V" g2 v: Z, s! B3 y( Vhttps://github.com/guillaumekln/faster-whisper
$ r( f$ c2 f* m  ]! b* h+ a安装如下：
1, Windows 10
& h% L. P$ P. J) J$ O& {* r2, Python 3.10.11
* C2 G% A& s2 h- l5 n3, CUDA 12.1
. g* g7 b: g0 o; F; I4, 在python 3 中安装
' [- z1 t/ Y; F% Gpip 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
  T" B- u5 W2 d% z8 }3 h这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
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：

----------------------------------------

/ I7 \( A" c9 vfrom faster_whisper import WhisperModel
# R# m/ n# ?7 P& m/ m
model_size = "small"
; C# |1 o* k1 k) v' ?2 i* m2 w, W
: R! V1 z9 e. J/ L* ?, Hmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
. U% `, e2 g! [/ n
$ g+ }7 {4 K; g1 M! C7 hsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
3 P  k' a* f4 a- L    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
& L5 Z# O% L4 G# Q9 e. K  m
        for word in segment.words:
2 i4 a% T: j) Q) P4 w0 T! e% f8 e/ B               
+ s" Q# A5 {" }- `9 q----------------------------------------
9 V: i  ?3 K4 r$ G& B  }
& f/ e2 c5 e3 |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 ?+ E; Z1 r# m) f2，segment 本身是很粗糙的，做字幕勉强能用。
% Q3 k* k2 m. s' n3，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。
; z; y5 F- m! B6 }0 |! p' N4，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：
' i+ c+ L; ?( i& r2 r- }/ s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
' b( ~9 T* o' [1 \% H6 j: P    word_timestamps=True,
5 u3 y. e  a! {! _/ i7 X) ]保证了你能拿到 word，否则是拿不到的
7 G9 K# F& B9 T7 {+ W7 J    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：
4 ^) P' b( m2 ^' S1 fhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
9 q$ ]8 s, J: C1 E& f: ^从源文件你可以看到是支持中文的句号断句的。
4 R  P; |! [# }& R- q$ h! G
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。

/ _: E- p  T" j% [4 u% y1 p
# p. {9 ]6 ^3 A

nanimarcus

多谢各位榜爷打赏。