faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

+ r4 @' V9 c; K: m9 g* m1 b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。
% [+ W# R9 p' w* [- J9 [3 M----------------------------------------
3 ^2 T+ Z9 ^6 |; r  ?$ h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。
* b* q8 h8 F4 O7 ?----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
/ F1 R! E3 r& n" k. p' M* x1, Windows 10
2 n! q- Q. I4 E8 X0 `0 h/ {2, Python 3.10.11
3, CUDA 12.1
9 X8 ^: X9 C& ]! x  V; K5 n8 S4, 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。
4 _5 ?% y/ U5 S5 |! c+ i7 L; f7 t6 n- X5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
5 j4 n( g( j, j3 G  a* c: A2 P; c6，pip install faster-whisper
----------------------------------------
" R! v* ]; u+ j: S, w3 cwhisper 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：

0 Q7 X, G/ A; q$ d7 m) l) t----------------------------------------

* b: R+ G) ^9 {from faster_whisper import WhisperModel
4 C: r* s8 v, q2 \: U
model_size = "small"
1 C! W7 e3 F: u3 U7 f
model = WhisperModel(model_size, device="cuda", compute_type="int8")
% {& ^6 g% W: Y1 ]
' r$ X% r4 ?9 p/ ^: K$ fsegments, info = model.transcribe(
' y. g) ], w$ B! w9 ?0 `    sourceFileName,
( M- M, |3 `) M6 F    beam_size=5,
! `. o7 k0 m' E# [5 B2 v) a    language="en",
7 [# \' x9 w* I7 |) @7 g9 I/ H- {    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

+ A1 W( G. e# b. ~for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
0 o0 s. J8 ]. E7 z4 F               
! G* K  p' e9 `. C" Z----------------------------------------

代码说明：
) {- |* _& M2 {* x* O4 M2 O1，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。
5 ^/ R) t5 |$ B- w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。
* {1 l: ?  Q0 K0 [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。
5，model.transcribe 中参数说明：
" a. n4 ?# k# D) v- \/ h3 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
/ C$ x6 O) W) c# U+ b" a8 H其中
4 }) N% g. I: x, |4 I) }4 l% O    word_timestamps=True,
$ D5 ^' I: z% i保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
; H9 [8 u$ B( a/ t4 r9 D# J; d( I保证能尽可能准确的断句 punctuation，但是不是决定性的。
  z0 g0 r. z- q$ H; B0 i- f其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
/ K3 I, G* {. m! p, J7 Q" _! E# m152 def transcribe(
: {  H. Y) R. [1 \6 [+ [从源文件你可以看到是支持中文的句号断句的。
% `' I/ u* i) p+ E2 A5 ]
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。
) V* H6 h7 E3 ?# t5 W5 u: G# c8，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。

9 J7 T# L$ g0 f1 r6 s# I
9 l$ _# h) c% Z- v6 i1 k

nanimarcus

多谢各位榜爷打赏。