faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
5 F8 x7 b! c' r' M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。
( h2 \5 T+ V9 I+ E' o( S" ^----------------------------------------
0 F6 ?2 |- c! R/ ]! N5 O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 S& a( }- e! k3 p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。
- Q4 a5 l  f$ `7 Z----------------------------------------
https://github.com/guillaumekln/faster-whisper
1 n0 }# q; y, b# r! T  d0 |安装如下：
: S2 _3 \$ _0 q1, Windows 10
3 R! {8 n5 @" {1 }+ Y% w; }: f2, Python 3.10.11
) j  `# i8 r5 B" N5 m2 H1 k3, CUDA 12.1
& l7 H5 o3 k  ?* i6 p. q4, 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
----------------------------------------
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：

/ W% W4 K% G0 o; q+ P$ _----------------------------------------
$ a. c' L9 H7 O+ v
from faster_whisper import WhisperModel
5 F* A: T1 x& b. y+ {6 |
+ r- w4 b* K  Jmodel_size = "small"
) d: z4 X2 j- q8 @( O( V( V" P- h4 z
1 k+ D- Y$ ~% C4 N, K# ^/ Xmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

7 Y. H1 x8 m& Z' t' E. Q& |segments, info = model.transcribe(
% o, L, y# H$ n  |8 a7 m    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
# X. s6 D# H, l! M, W, t, J
        for word in segment.words:
               
( R: Q9 q+ l0 y) a/ ]----------------------------------------
# U  K, W6 P& s. _; w4 ^
代码说明：
! j9 T2 v4 k' R1，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。
  ?/ z% a8 i; {( g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' B$ d3 ?0 N5 u) a9 U2，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。
. }2 L8 Z; G3 P8 T! V! O& E4 q$ n  N5，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,
, q) y- j: B. L& R" S+ G4 s2 `  a保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
& V  P5 M+ T, }9 ]保证能尽可能准确的断句 punctuation，但是不是决定性的。
0 g) I- }( T; O其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
* p0 C2 s" y, Z# B' D$ u从源文件你可以看到是支持中文的句号断句的。
% n: _8 b/ p% k9 ~6 ~2 Y4 l* J0 @
# y9 h% ^3 n8 m6，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。

5 `7 C- {6 S$ ]& E& W& o

nanimarcus

多谢各位榜爷打赏。