faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

' v1 C. E# Q  N: J1 ?
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 O# l: J$ Y8 `. G+ M8 R  o- @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。
2 u: d/ q% u7 i- ?----------------------------------------
0 h* \/ L- d' E' Z7 t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。
6 e2 o3 \) D2 ]$ h" {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
- B6 H1 g/ E4 u  s2 P安装如下：
1, Windows 10
; E$ ~5 Z/ K" [: `6 w5 L/ l9 t: i2, Python 3.10.11
3, CUDA 12.1
5 _/ ^% R* J& G4, 在python 3 中安装
pip 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。
5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
% \) ~% J% Q- D2 ~0 B5 k----------------------------------------
$ }& m6 s* j+ D3 J% P# J8 U7 X8 _% [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：
7 A+ i% l/ n  e9 \
----------------------------------------
4 O) ~7 A  ?/ [' \1 Z
& p% g# X' X2 P7 @$ Y, jfrom faster_whisper import WhisperModel

model_size = "small"
! L/ k/ r" C# c2 v  x
; x$ Q( ?" z; I0 j0 {model = WhisperModel(model_size, device="cuda", compute_type="int8")
  B5 `* l5 |* c, w: i1 q" B; r
2 }, L. P0 }1 x: V+ V5 N) Gsegments, info = model.transcribe(
0 J( K1 A# T* X, ~' Q    sourceFileName,
7 b' N$ E0 ?* X' G# s! A    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
3 x, e# U1 o, e/ r; ~6 ]
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
6 ?- l: I; O# c$ ~$ U1 h4 a
8 t) F" z$ m* r        for word in segment.words:
               
$ ]) _& ]9 T( Q5 K5 M----------------------------------------

代码说明：
5 G+ g7 g5 y; d5 @8 }( K5 I. u& u1，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。
, v) [2 r8 `, [! U' w9 l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。
: A. x( m/ @) d+ {' C" ~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。
- e% ^4 g2 ]$ e4，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。
) a# Q6 l. P1 R' {8 O2 ]: e+ @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
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
$ I" |* L( [8 a! @2 o: X    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。
/ }, z% w$ E! w8 L' j& q+ @其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
% K2 I! e( K" `! }从源文件你可以看到是支持中文的句号断句的。
6 x/ ]" ~  B! C, f6 q
9 L+ n. }( G. N* U. R0 ^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。
2 d/ d: W% i/ }: s! q* L2 Q9 Z
; S5 K) W7 D# a% U4 W  \6 L2 J

nanimarcus

多谢各位榜爷打赏。