faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

# C6 [! [/ }" F& H, R" j& U$ `% e
, @) }: K8 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。
" F) R' ]4 L# C1 k: Y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。
----------------------------------------
$ }- e5 R5 m4 E4 _$ `9 G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。
9 @+ b$ g& n& _% W; l0 r4 H) S3 h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。
$ I" {* }: Z  f5 H; Q' H! m) ?----------------------------------------
3 x* j& j- P, l7 m3 fhttps://github.com/guillaumekln/faster-whisper
/ A& F, O& L: U, s; Y, F- h安装如下：
1, Windows 10
2, Python 3.10.11
) D! B& [2 R3 k$ w5 K1 R# B3, 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
这是向whisper 致敬，可以不装
6 Z5 ]7 m1 P9 `. J6，pip install faster-whisper
, L$ ?# l$ b, p* j/ U  M: {----------------------------------------
; H9 d5 a3 Y: ^  ~' R. y' x( @whisper 我用的命令行，faster-whisper 我用的是python。
" J# I  \) n9 Y4 e- `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：
1 S8 Y: l/ C" I% a2 g  h' o
----------------------------------------
1 a; B1 v6 E; ^& b
5 _, v4 @5 p! [4 t! `from faster_whisper import WhisperModel

model_size = "small"

( s3 r# W. `6 }# }model = WhisperModel(model_size, device="cuda", compute_type="int8")
  D; w( s& t& `5 d9 j
2 ]+ V0 K0 u7 fsegments, info = model.transcribe(
% w5 ^; W: k$ `    sourceFileName,
2 d7 P6 U7 z) I$ e+ s4 s: E    beam_size=5,
9 H# B% C7 ]4 C: k: d( G* B( z    language="en",
0 l  |6 z/ _. x! }/ j6 @+ ]# P    task="transcribe",
    word_timestamps=True,
4 i3 j# F  ~! Q/ {  [9 q    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
/ \" |& X" h6 V0 c/ o  P& `% y8 n    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
4 E* ]8 C, Q1 o0 h* Y9 R4 F
        for word in segment.words:
               
+ N3 \% N. F& E9 W----------------------------------------

' k5 X+ x$ l2 I( Z' M2 c: M3 z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。
8 z- w+ b5 @) \* l! F" L9 ]6 X( T: z2，segment 本身是很粗糙的，做字幕勉强能用。
8 ^9 R3 x6 ^3 y4 j/ S3，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
% R$ c, F$ \0 `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：
- d6 E% N$ b# q) d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
% Q1 |! T' a7 g% e, J3 R其中
% J* |) Y; d1 \/ I    word_timestamps=True,
% T. Z% e+ Y2 D' Z& H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。
7 [+ t( w+ \$ T4 ]2 b/ V; d2 Q其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
2 L9 K+ X6 K# r+ Q( k3 {从源文件你可以看到是支持中文的句号断句的。

4 f0 ^" E" U. r$ W' O0 f6 f6，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。
' ]4 x5 ~  N: Z6 M4 V7，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。
' w5 R5 a4 U+ v/ X$ v8，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。


; E2 G4 k2 f5 f' s
8 J. Y1 g0 v% X/ E" J

nanimarcus

多谢各位榜爷打赏。