faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

6 Y- r2 L4 R5 M# ~$ p& U4 {
* [2 ]( V! w7 u; `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。
9 W- l5 l# B3 i  v( M# J6 a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。
: H' A* ~; r2 r/ x1 ~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。
1 D& L: j, `" m( H( W----------------------------------------
# Q) }6 f( {* i8 k) o0 Q0 vhttps://github.com/guillaumekln/faster-whisper
3 a: b" _0 \  X6 E安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
2 A; `1 {3 Q6 q! k8 R1 e. A% S! V4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
, L3 h5 x. n  r, @. H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。
$ J/ f) U+ q1 Y* ~. L5，pip install -U openai-whisper
# G: K; _' o( ~  r8 k这是向whisper 致敬，可以不装
) J3 ?& q$ z1 m' q4 O# I3 `6，pip install faster-whisper
; G* g9 q! _$ ^. J. ]6 ~1 I----------------------------------------
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：

----------------------------------------
1 ], V1 j* j+ T
7 _  D  W8 \. zfrom faster_whisper import WhisperModel
% [7 m$ Q$ P; I% @1 Z: B' H. I
model_size = "small"

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

# E' X; i  ~) z. V) i5 J9 t) A& K& rsegments, info = model.transcribe(
$ i$ k. K0 D2 Q( s, e    sourceFileName,
    beam_size=5,
% z4 h* ?7 t" Q- N& M& U6 ^    language="en",
    task="transcribe",
2 ?& n- l0 W: z* d% W, P0 n    word_timestamps=True,
8 N* A% t9 L; B6 F    initial_prompt = "Hello, welcome to my lecture.")

1 U9 H* O# T* m7 s6 e' v/ S. O7 Wfor segment in segments:
  J- [: b+ s# ^" M    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

% M, ^( F3 y/ B        for word in segment.words:
3 W9 w& R7 T% c               
----------------------------------------

代码说明：
8 }% ~+ q$ C9 U6 _6 z8 Z1，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。
; o' a) y' d# M4 B+ l! G( O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。
4 a+ g. f' [  B% W! ]( q2，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。
5 y% P4 x" j4 y4，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
( A- i2 |4 w6 v* b/ a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
0 w7 H  B* D. h! ~$ n5 K    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
) ~& X2 k. I; V  L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：
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。
( F6 U7 h' s+ z1 c( q, u7 c7 y7，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。



& i3 q$ l" d" s  }' y9 H2 P

nanimarcus

多谢各位榜爷打赏。