faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

! }5 q1 Z( g* T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。
7 Q' m( D8 m0 v8 ^  t8 S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。
3 J1 ?2 j$ `" j----------------------------------------
& m. D3 d" ^4 s/ R% S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。
/ z# O& }. y' G! I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。
( w% t  p6 o' p! g----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
; [$ m: h" W- R5 X2, Python 3.10.11
3, CUDA 12.1
0 }, [/ c; Z* H0 i& F4, 在python 3 中安装
3 ^) }" r( y6 cpip 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。
* p& x6 B1 B! n( o5，pip install -U openai-whisper
# T6 z4 V0 |# O' i这是向whisper 致敬，可以不装
/ o: a" z* }! h. X  f6，pip install faster-whisper
" l- Q5 [% u( ~8 a. D9 z+ y- Y----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
% T9 [; z* T$ V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：

5 A' S) l) F1 D+ p. h+ z; ~----------------------------------------
. c/ w6 G  h+ F7 G
from faster_whisper import WhisperModel
  s- f( f; M  D( Q8 I
model_size = "small"
0 a! h, s8 N8 Q& M
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
1 A& R8 b& F( S% n5 L    sourceFileName,
, Z+ Z6 x/ }  O. T; E) _  f. o2 G- g    beam_size=5,
    language="en",
2 [3 Q2 J* K1 g% ^+ Q    task="transcribe",
; Q* I& l/ G3 b6 }: _2 n    word_timestamps=True,
& }- B4 j# q0 `0 N3 ^    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
3 _  j/ u2 h' Q+ J8 h# \
        for word in segment.words:
. P3 m& M5 h+ k6 y. H  q               
7 ~$ q( D9 @" X) i0 [----------------------------------------
; @2 K2 D. d2 A- C5 u
代码说明：
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。
/ ?0 C% h1 K& s$ S" 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。
5 f& P1 C, ^9 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。
' w, K4 p6 L5 [* K4 B( m4，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
: ]) R0 k9 H- z. g  ~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 F/ q% c/ Y5 d% C5，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
) F" s2 g/ [6 t6 n其中
    word_timestamps=True,
8 d0 b( c' j1 w9 Y9 }9 ], l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。
( o, {, u' E2 p" i) b7 N8 j6 {其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
  g! ~1 W0 x: }4 Q4 W( G9 ^* I; W$ v% f, o152 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。
" }4 {5 ?2 V. F! b6 C7，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。

% `' S# v' B( i% W/ O
4 z( t# x; m+ C! c5 E  g  D

nanimarcus

多谢各位榜爷打赏。