faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

7 W' J; F7 a1 o8 l; i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 i) u. x- U: {$ |2 C/ 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。
' \6 ?* E" _5 i----------------------------------------
: u- Y! a  H$ r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。
----------------------------------------
2 P, c* W. C' shttps://github.com/guillaumekln/faster-whisper
8 N- Q) c# c  I+ K* z安装如下：
# q2 c  G$ n1 d; X/ x1 N2 e' n6 ~) C1, Windows 10
* b. C# f* `. Y. g2, Python 3.10.11
# X! j! S, H: M1 G: i! G3, CUDA 12.1
" O1 w) T/ O9 y$ Y) a4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
/ P5 ?- f" A0 r( u  L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。
& g5 B/ s: s2 u/ p& q5，pip install -U openai-whisper
! A5 I- L4 u  q5 W( S0 ?这是向whisper 致敬，可以不装
& p9 f6 W0 W7 s2 K" _6，pip install faster-whisper
# I; I( C1 S! V* p" U9 y( x----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
0 ?% ^( a; R' c8 C, H+ H6 Q; A; @* I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：
$ z) e) j% W+ F' u/ H( O' G5 U
( w. @; y* \0 t6 K7 c----------------------------------------

7 i: ^, x' ?" u6 Dfrom faster_whisper import WhisperModel
/ `% [* |8 T: x" u
model_size = "small"
$ g0 I! K8 v( y
model = WhisperModel(model_size, device="cuda", compute_type="int8")
& v6 R1 k; x- s4 B
segments, info = model.transcribe(
3 ^3 ~3 G' J( h5 @. ^8 H. f    sourceFileName,
    beam_size=5,
    language="en",
2 u& Q; C6 @" H- _    task="transcribe",
( i" r% J! m( h0 |    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
  T& e$ Z" C8 m$ d5 e# h3 D
for segment in segments:
  p$ t. k" O, U- k, V% U  K* D    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
! K/ J+ p/ o& E% E0 {
  L+ `) K/ V& j, Y- r3 i        for word in segment.words:
, F2 ]7 q8 O* f3 c, O( s               
----------------------------------------

$ B7 s- e, P& F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。
6 s3 M7 m+ b3 W+ e% s2，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。
$ @+ `9 x0 _' Z# |! K0 k4，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
7 {' j. h2 Y: |3 ~+ v比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
8 ], h/ i- @2 y# B5，model.transcribe 中参数说明：
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
7 G: y4 A. R5 a    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.")
  T- V; k) ]2 d  J# U保证能尽可能准确的断句 punctuation，但是不是决定性的。
4 f: x, M; d+ I7 z7 S- T其他参数可参考源文件：
; b# A1 `* v3 Y1 }https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
' l( D5 D& b4 w" C8 _/ R' A) `. n从源文件你可以看到是支持中文的句号断句的。
, E6 j, C3 w3 w5 t; t+ 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。
2 r. R5 g) E& r  E7，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。
) ]+ a. A2 K; e. ~: ]$ A8，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 ~  t. h! o. Y# ^! C. K# [7 Q

nanimarcus

多谢各位榜爷打赏。