faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

  e+ S* R1 z# r
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。
----------------------------------------
7 A) O% F% ~; 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。
9 |# i# L: S0 l' F6 ^4 ~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：
1, Windows 10
2, Python 3.10.11
# D# U+ ]6 S" @3, CUDA 12.1
4, 在python 3 中安装
' v' v' j' e, I; f0 d! [& Apip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
! f( U% d9 {" P. J+ a. J  Q  `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
- U& W& x8 K7 s6 {这是向whisper 致敬，可以不装
; B5 o8 p! E6 O% t4 ~- `6，pip install faster-whisper
6 Z, s; K1 G& I( i----------------------------------------
6 ^7 v- _  n, M6 E; E  d( k& awhisper 我用的命令行，faster-whisper 我用的是python。
2 Q- j& l) k  C0 Q6 H3 @" p. |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：

----------------------------------------

from faster_whisper import WhisperModel
! n% K6 I8 K* j5 J$ y
, n  M) N7 X1 b1 I. t6 T) N5 Z8 \  k5 Gmodel_size = "small"
1 p( Y" {& H, p2 ?+ D4 t
/ V0 R& }% \0 V: d& b; H2 h8 Gmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
# E1 \; i& i* _# \& V8 k
segments, info = model.transcribe(
' H. m) y# v0 O/ H" j    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
% m! h% f, k) }- N) m2 s7 L    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

0 z7 |- Q& {0 Q3 R9 o/ x$ z( B+ _for segment in segments:
+ g6 _3 S, @) V& n( A1 o; d4 _3 Q    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
' z7 p9 G! S% I: h: a5 Q2 A; W               
' F7 f2 I, ~0 i( b4 t----------------------------------------
8 x1 I, C, y0 S* ?% p
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。
; x! N& j& x9 w9 r1 @# {2，segment 本身是很粗糙的，做字幕勉强能用。
# @* n+ e, s) p9 T7 U7 p3，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 i: N( h- ?4 D4 i: v+ Y# i2 F4，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：
6 m. M& E3 M: F9 \, 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
; C, _% k' W5 i! M) n6 M其中
9 k5 F* h& M2 d5 P    word_timestamps=True,
/ |$ ~0 G- v4 s. t% H6 Y% N4 ?3 D保证了你能拿到 word，否则是拿不到的
1 |0 u3 P* S" \) n% Z5 @( Q+ N    initial_prompt = "Hello, welcome to my lecture.")
  x6 `8 t- K( J0 \1 Q  Q2 Y5 \保证能尽可能准确的断句 punctuation，但是不是决定性的。
其他参数可参考源文件：
2 ?3 s( d7 V8 L( Thttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
4 {! p4 T$ }; i6 x+ [$ T& `从源文件你可以看到是支持中文的句号断句的。

, I0 A% S  g7 E6，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。
6 O" W; _6 y; I7 ?

; f, C% Y- O7 l1 |4 m/ U& B

nanimarcus

多谢各位榜爷打赏。