faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

& p- h- @) W8 h4 K
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。
----------------------------------------
% R6 w; ?, |- G# P: I/ q3 ?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。
2 ?7 \/ W% v0 F) J$ w8 J* 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。
; P: d8 x. }' A, w2 n( l----------------------------------------
https://github.com/guillaumekln/faster-whisper
% s7 r6 X- s4 k1 B' s安装如下：
1, Windows 10
# U  G  \7 K2 y* m2, Python 3.10.11
4 U7 D. M6 A/ W; M3, CUDA 12.1
4, 在python 3 中安装
, h/ R( Q6 L8 S# Wpip 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
8 O! z$ r+ b* X, K这是向whisper 致敬，可以不装
6，pip install faster-whisper
( ~# T6 [% U- G7 h3 O----------------------------------------
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：
. S, R& q0 u' y# J7 w( h4 C: s
----------------------------------------

from faster_whisper import WhisperModel
% q+ P6 u  [$ w4 a
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
8 J- o7 {  H) o; N  M    sourceFileName,
    beam_size=5,
* {0 f  Y  [3 O/ {* q: w* N6 L    language="en",
# d+ U$ E* k; Q$ n  }8 l4 Q5 D8 V    task="transcribe",
% a( Y3 W( S6 G, [    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
& _' W. \5 ~. j# q3 \6 t# k
6 ^  N4 Y9 {* T% h# \for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

7 l  V$ f% w8 y* e        for word in segment.words:
               
----------------------------------------

0 D- ^8 r# ~  K' l' y代码说明：
$ K; r( H/ S+ Z& E/ A/ h1，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。
* C( ]" O" X8 L" p% P7 g3 ]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 e4 g' |* u, f$ u$ n2，segment 本身是很粗糙的，做字幕勉强能用。
- l8 u. G5 g; q+ q9 l! E9 i3 r; I7 i3，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。
% `; |0 J  h$ J" V4，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
  s; Z) o7 s5 o比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
# A4 `) v. F5 j, n. R5，model.transcribe 中参数说明：
7 m, W' e/ u4 j0 b; F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
' {: ^, `) d: h2 E$ V5 k! w其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
2 F6 h. H' r/ p. g+ E: o. w" U6 y2 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。
3 a/ p' L  A# M  k' J8 v其他参数可参考源文件：
3 q/ v5 }: D9 [https://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。

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。
8 Z5 h1 I: S" ^# n5 S7，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。
) t8 [+ h2 l7 [4 W9 r8，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。


% `; ]1 {" E* ?& C
( C) f7 ?9 T9 N3 B" R

nanimarcus

多谢各位榜爷打赏。