faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

0 u+ y2 {2 x; d+ v6 `* ?; C2 @0 O
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。
5 f' X, m) |+ Z3 r3 X2 e0 w8 P----------------------------------------
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。
1 ^0 j6 `7 U* ]# ]8 O0 ~----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
- q5 o$ m* f3 ^: n% K+ n, U3 j2, Python 3.10.11
3 n! z" v9 T+ j; E& m3, CUDA 12.1
4, 在python 3 中安装
5 y& Z' ]7 W( E; p, ]5 A7 u& `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。
# M1 \0 _8 y9 a2 _& v3 l# o: f5，pip install -U openai-whisper
4 K& @& k' f( z) l( J这是向whisper 致敬，可以不装
2 D- g7 P( ?8 z% d6 _' L2 r6，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：
. `% ]$ [# b: v, Y! z3 Y
----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"
. v7 m; z1 V# b, F+ B4 v
model = WhisperModel(model_size, device="cuda", compute_type="int8")

( F; N+ R2 ?/ H2 E& Z" ^segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
* e6 q0 q) S/ d+ t, M8 D    language="en",
    task="transcribe",
4 Y+ ^, r3 C# o! T, E7 Z' F    word_timestamps=True,
+ L" _; I) u0 P( ^  W. ^    initial_prompt = "Hello, welcome to my lecture.")
3 [: K0 a# l' j' [& {
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
0 x8 X+ H. y8 w4 b
9 |' L& j5 h8 h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，segment 本身是很粗糙的，做字幕勉强能用。
: [) D1 e5 K* p- t" w. C6 K3，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。
: E( [; B7 g- h* `' o- g  m+ d6 |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
& w0 w3 |2 P2 d% K7 t, T/ {* P比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
: B, S: l, C6 ^( H5，model.transcribe 中参数说明：
3 `8 C0 R9 @3 [8 a1 F1 P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
0 K& A7 {% }% w- P    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
$ |7 ?" A2 U. W& b# a0 A) |    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。
, C. g) l! n3 X其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
: h+ k6 R1 S- d+ @+ d7 k/ d& P从源文件你可以看到是支持中文的句号断句的。

$ l( R* ]* N# B6 I  Q6，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。
3 U! C0 ~) K; ^; ?2 ?9 l5 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。
) y% j% E: i5 E8 X8，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。
8 z; h2 ^1 w+ q' ]$ I6 @) l; F! y, n


/ n/ t" C" y2 d! _2 _4 O* U

nanimarcus

多谢各位榜爷打赏。