faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

: o+ S) q& f( `) U3 I+ A  I
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 V& k$ q7 n# y----------------------------------------
% I- s. I( [" O4 o& A4 {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
& ~& q  \5 [) Y6 p安装如下：
' t  d, g& F3 D; j: {1, Windows 10
& ]! ?+ q: y! J4 D6 t* s: i! n  {2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
2 m4 }' g+ G2 e& y& apip 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。
- I% h4 s' e" R, D5，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。
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：

; E. m2 F( a. z9 F4 l----------------------------------------

from faster_whisper import WhisperModel
2 E# L, ]4 ?/ Q( p2 t+ `- y- ?
- `2 b3 e$ v( M) M' w2 jmodel_size = "small"
  R% v- A. ?4 S6 r9 e& H9 |+ i
6 i" Y4 j+ ]' [7 xmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
+ \" _+ a* V/ F( ]# G    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

4 P! l' ~% {& A: ~! kfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
! w" e0 B; A# N6 f               
----------------------------------------

! Y7 I, C  `" U, E6 v: {代码说明：
5 C4 e" r' q9 v. {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。
. x+ R$ f, m6 q* A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。
- k/ Y  c7 f! y5 H6 G4，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。
+ C) \4 h2 @3 }9 F5，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
( X/ b7 ?- M3 D" K' H# M6 F6 S其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
' B$ d' O0 M% z; U    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。
. N7 v4 G/ y, r* [" h) ?其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
5 Q, g9 d% o2 f7 W152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

: [9 g% h: g; c) l  Z6，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。
- @& a0 s7 P* u5 ?+ u( H9 t8，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。
; M+ ~5 s, s) k3 a5 P7 X
( S7 v; N( r0 ~+ |/ _

& a" q; ]/ S: T6 ~+ h- L

nanimarcus

多谢各位榜爷打赏。