faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

$ v, d6 |$ |7 N1 u  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。
! M' }+ L+ p6 U2 `; V8 e) B' ?3 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。
----------------------------------------
- ^: U* ]/ A+ W( ^1 P/ z1 w+ y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：
, w" {5 e( j% f( C; _5 j* W1, Windows 10
7 [0 s% z0 B( r! v2, Python 3.10.11
3, CUDA 12.1
' V+ |6 p2 k5 u( p4, 在python 3 中安装
0 J$ K. n1 h& L( f) h1 ^9 i" Kpip 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。
+ ]0 n& ]6 C' G5，pip install -U openai-whisper
! g- r8 G+ |  B) x这是向whisper 致敬，可以不装
6，pip install faster-whisper
& I! W1 r3 P& x----------------------------------------
7 \0 {# t. V& d- }. e0 @+ Ewhisper 我用的命令行，faster-whisper 我用的是python。
% [( Y0 H' @& X8 Q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：

----------------------------------------
. }/ s: x3 y& `/ ]% Y, T
* R7 f- J: K# U% F4 ?0 ^/ Jfrom faster_whisper import WhisperModel
0 g2 D! R9 z8 O8 z0 }& x( h
% C7 ~; m9 L+ w3 P" Zmodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
( Q! f1 y: L3 x4 U
- \$ @5 t2 Y& J5 \/ Psegments, info = model.transcribe(
    sourceFileName,
: U- t$ d+ v4 N) o2 n    beam_size=5,
    language="en",
    task="transcribe",
6 ?* R4 Z" T% G7 q# \    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
0 Z0 M% g) l! O
for segment in segments:
7 O9 q( G- a( X    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
7 C0 ~" }7 a5 n----------------------------------------

5 \2 v9 R' d0 H1 G, l代码说明：
# s+ ]) b* L' B" ]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。
  i. h6 B' w* s& [2 f5 B# \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。
8 {0 k+ [. x3 G! r2 A: [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：
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
    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.")
4 [+ G) g1 [! |3 Q1 m保证能尽可能准确的断句 punctuation，但是不是决定性的。
% a9 d: }) H2 h2 W7 T# k4 P: J- M. S& L其他参数可参考源文件：
) ?" \$ ]9 b! Qhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
2 u  ]5 Y/ l! U" Z6 T
  i; |! Q9 o+ k: Q. }; c  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。
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。
8，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。
  v8 B& O2 s$ N8 h  x) L  ]: r0 @

4 J( G2 n4 o( t$ e$ }( `

nanimarcus

多谢各位榜爷打赏。