faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

3 O, w! ^0 F/ t0 o- M& X# _
$ C8 u2 Z5 O7 ^  s  v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。
9 t( W5 @+ e, S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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
; e0 ~- X. o& K% J  N1, Windows 10
. t; o2 K, o% l' e& l8 Q  g1 U0 a! c( U2, Python 3.10.11
3, CUDA 12.1
; L/ a9 x8 p4 D" i7 h9 P) ]# F# m4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
/ d0 G. k. s6 F; X* }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
) `- u3 E8 e3 |7 M) F6，pip install faster-whisper
! ]& o  u2 {7 q3 L$ h, w----------------------------------------
6 Y# \/ H5 P* ~4 u% g. M# X' Twhisper 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：

$ k7 L2 P4 k4 n: j: E, U( I% X5 c----------------------------------------

from faster_whisper import WhisperModel
$ B7 ~# T& S1 \+ J
model_size = "small"

$ q9 B; ^) r0 \8 k. ?2 w" Amodel = WhisperModel(model_size, device="cuda", compute_type="int8")
( s! X/ E7 A8 E0 Z2 C" J! f' K
segments, info = model.transcribe(
    sourceFileName,
. C. w: \% J$ Q) B, b6 ~. R    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

+ G7 R' {* K% afor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
' W2 t% j3 {( [* U$ ?6 Z# |: l' l----------------------------------------
% C- O% F4 p# m  k; M. d. @+ H  n
! _. U, a# ]& \# O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。
4 M: L2 ?0 O6 D4 M7 t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。
7 E6 h/ d7 W+ b: |" }# T3，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。
$ B3 Y1 ~: _1 ?8 b6 m4，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 V. e& Z' d* U  n. v5 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
其中
8 ~) N) G) T# H: P    word_timestamps=True,
2 [/ @0 l6 }& M2 T- x) w! Y保证了你能拿到 word，否则是拿不到的
4 d: F* ~# U, _# p4 {    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。
* |+ W6 V. w+ A1 K+ c* v其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
( J5 H. \4 q5 w. B/ L# g从源文件你可以看到是支持中文的句号断句的。
6 t# v0 y8 O- x. V/ q  n  }& p: Y  z' L
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。
( d* ]% a5 K: @9 l5 [5 E8，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。


- B! k, d  o4 i1 p6 U
0 h5 A: a. s& c! p9 I5 u

nanimarcus

多谢各位榜爷打赏。