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。
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。
0 K- A" R; [3 l# J----------------------------------------
) ~: M- T( ^9 B1 c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。
( d. |1 [5 R) l1 K1 y----------------------------------------
https://github.com/guillaumekln/faster-whisper
8 J% A0 {# b, c安装如下：
1, Windows 10
2, Python 3.10.11
6 X3 U; c; U7 L3, CUDA 12.1
( I1 y% e2 F6 V; i4, 在python 3 中安装
& p5 k# T% W: B! Bpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
5 g. m  i( j" f8 m5 @8 m1 A. R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。
0 w" O. Y4 M$ h5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
, i( W3 h6 y# U4 [( G4 I, W6，pip install faster-whisper
2 M' W- u% o. b& }----------------------------------------
+ m4 S' x7 G! Awhisper 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：
$ l* E  ?0 S( w# ^
# X% D6 ~  r# U% X2 C8 E% U& y----------------------------------------

6 j- s$ y/ W: e+ F6 Bfrom faster_whisper import WhisperModel

2 U9 @) `3 D% u* U- ]' pmodel_size = "small"

  Y! \& I) K% ^  tmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
2 o- i$ i3 F3 e    sourceFileName,
+ t( r% b+ {  P: \6 A% K8 T    beam_size=5,
    language="en",
6 d: n, i* z" k/ C    task="transcribe",
$ z/ O3 K$ O1 \! D3 X$ B" l8 }    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
  a  l. g7 M0 Z, l
$ X5 V# H2 c8 o5 G7 G9 zfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

( f- v& y1 C) x* y2 M; Q        for word in segment.words:
               
7 J- x6 l- X  y6 z: z5 Q7 S: a% E----------------------------------------
3 f: Q( i6 t9 ^0 V: |6 c8 H" N2 G
代码说明：
; ~: ^/ _1 d4 L. @: F6 ~- T1，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  G$ E6 Z/ k% J( ^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。
. A8 Q8 b  Y8 r, _' \4 C8 j" t2，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。
1 ~) Z0 H/ ]& p7 v$ s; {: q3 y( r5，model.transcribe 中参数说明：
  d2 p* k, m) v3 y3 h- W9 q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
0 m9 Z' B* z0 R3 s! `  x1 i: J# u7 j9 V其中
3 y! Q9 y& G2 C% R: Z; E" b1 E; ~    word_timestamps=True,
& P- z" z1 d, ?" a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。
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。

5 T! a* A: {% x3 D- L% H6，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。
5 |. D3 k* C$ ?4 n; P8，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。

3 l- g& t% H3 I9 W

nanimarcus

多谢各位榜爷打赏。