faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

0 ~! @+ \8 O: R) L
; [. w( ], S% Y* a! m3 J, L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。
0 e" P4 c+ k% }( v' T3 v* ^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。
0 P+ T/ M* {2 f& ?, X; v% ~$ k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。
+ o" \' \) i% Z----------------------------------------
# _# g7 \4 e& v1 ^4 W* [https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
8 |6 F# l" i6 }+ ~: X1 L) C3, CUDA 12.1
$ r- i2 }5 S8 u4, 在python 3 中安装
2 m: V# O; s- q8 h+ ipip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
% P: }4 K' L4 n8 G5 j8 V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。
$ J8 i5 u3 \# m. c: Z5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
8 Z# B/ o" t7 Q1 m0 D2 y2 d3 e# F6，pip install faster-whisper
/ k  z! d" ~" Z/ @/ p----------------------------------------
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：
5 P, F* E, a5 N, I+ Y
- w% W! H. Z* L# s, Y- n----------------------------------------

( s3 `* x8 S* I4 ]from faster_whisper import WhisperModel
; `3 L6 W( s1 f/ i% t4 v
model_size = "small"
8 f2 i2 |0 e1 |( C/ J6 l
: Z: w/ ^  `8 D' E. W7 f4 F( w: Smodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
! u1 ^: J8 k# ^( P, x, y, m    beam_size=5,
    language="en",
3 }) I, [! w& _$ Y" O! n1 \7 n    task="transcribe",
    word_timestamps=True,
$ P4 M( Q6 Q. c1 N1 a2 k# s    initial_prompt = "Hello, welcome to my lecture.")
6 L. J7 }3 H8 m9 o$ `
for segment in segments:
! p$ _  |  M. K# G# V    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

0 R; j7 o+ E3 s" |$ @7 u! I! h        for word in segment.words:
8 x5 |6 v0 W8 v2 F6 `$ O               
* O- Z0 I* n5 o1 w----------------------------------------

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。
  b* A# S: V3 ]: [0 V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。
% |$ z* }/ Y$ b8 L2，segment 本身是很粗糙的，做字幕勉强能用。
& O' m& X0 w5 y" Y3，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
  O* k1 s# u' v; B3 C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 i1 k( C7 z# Z, b' ?) L9 {8 g5，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
1 Y4 C" Z3 S) V# H9 v2 D# l其中
    word_timestamps=True,
1 _2 @6 }+ t. b  [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。
/ K2 L: o) O1 |1 e$ U4 }8 W! j. I其他参数可参考源文件：
; Z- u( u1 z; a  Xhttps://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。
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。
/ k. A9 c# M1 F! t* a# X
8 q9 u# s7 s$ B* D# E2 G
7 V, W3 @# {$ m: ?$ N9 o" w; T

nanimarcus

多谢各位榜爷打赏。