faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

; s" j+ n3 d- e
: d4 a! \# R6 a6 R2 e' j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。
8 k4 ]( b$ b; X: q  l7 s0 X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。
----------------------------------------
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。
+ y5 q- l/ u2 W* Y# H0 @% U5 A----------------------------------------
5 p9 ^: a! C+ D' s4 V: Hhttps://github.com/guillaumekln/faster-whisper
安装如下：
. S8 l& a" S, K1, Windows 10
8 ]0 q# w1 b; ]# }% W  O/ P" ?2, Python 3.10.11
3, CUDA 12.1
1 {* ?( u+ v8 V1 o4, 在python 3 中安装
3 J" `. }3 R, f- d  m2 a) vpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
$ w. D1 ?4 M( @2 ^/ j7 |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。
- a1 M" V% r# O% w5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
. o3 R! p. s6 ~' ?$ K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：

----------------------------------------
& N: A* R  Q# t1 _1 o" q
from faster_whisper import WhisperModel
/ F% H/ {, \- ]5 \# Q. H+ Y/ J9 v
model_size = "small"

+ S) u' b- l  i% Z/ O2 Cmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
5 x; C$ R$ Z  [4 V) R# B  b
1 ?! m4 c. ^+ p- |1 ~* Tsegments, info = model.transcribe(
  I& }+ S/ R3 |    sourceFileName,
    beam_size=5,
    language="en",
- o* C3 m! @9 F0 j    task="transcribe",
7 Q5 F, I- v8 }9 L! W# m    word_timestamps=True,
3 p- k9 }3 F0 B! t" ?; K+ w    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
& b# a1 F. A. W& W7 D% h& B3 W5 N
$ e1 G" K' x* e% l" D+ A5 n( Z        for word in segment.words:
) Y6 F4 u9 X+ S2 w/ |( q               
) v" u1 J1 W, B2 B) w3 A# i6 v----------------------------------------
3 b: s6 s( `( r- l  Y
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。
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
3 {* k* A1 v- X: r    word_timestamps=True,
( \9 _% ~" f, g保证了你能拿到 word，否则是拿不到的
    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。
其他参数可参考源文件：
6 W7 x, f8 W( S, [  fhttps://github.com/guillaumekln/ ... isper/transcribe.py
! E0 h: ?* N1 V% ]4 T2 I2 i' n4 b152 def transcribe(
' r, X8 V6 O" a" i8 v6 y0 r* G从源文件你可以看到是支持中文的句号断句的。
" C9 y$ X* Z* B& g7 ~
$ p( A1 i. S4 a' k6，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。
$ g8 b/ }( d4 }- ?8 {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 H- z% Y; Q3 J7 K( W, L8，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。

/ ~" E# Z, L' T+ ^( g7 p
( T! V) |- c; E0 ~# d/ x0 h

nanimarcus

多谢各位榜爷打赏。