faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

7 X1 {* r  e# n% [. b4 v; O
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。
& K8 X6 l" y/ }  j) y; ~& W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。
4 U) J1 ~$ Q2 t# `  x3 k# k9 y----------------------------------------
) ~7 c' y$ Z: O7 P1 L& 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。
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。
( S* Q( d+ X5 d( z$ i4 C----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
, c* l4 B! U% b3, CUDA 12.1
+ A0 Z8 [2 Z8 k- m* {. x7 Z4, 在python 3 中安装
! B# v8 k- u8 G4 Wpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
& m$ N1 V7 f8 B2 |# ]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。
% U. b2 u( k2 D% ^* l3 C2 z5，pip install -U openai-whisper
' k4 a! P9 A7 w这是向whisper 致敬，可以不装
6，pip install faster-whisper
7 m' S/ |+ w1 t! M  Z----------------------------------------
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：
' l' n( H. ^8 U) M: {# t% S# p+ \8 h
----------------------------------------

: ?1 y5 o. \, gfrom faster_whisper import WhisperModel
3 J6 h+ h$ H" N
model_size = "small"

, E9 D( P# d8 I, _model = WhisperModel(model_size, device="cuda", compute_type="int8")
" {+ x  ]% _% e2 z2 ~
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
: P- E( s; l1 S    language="en",
# V$ w3 ]& K: q* _1 `2 d$ L    task="transcribe",
    word_timestamps=True,
6 I$ ?3 h7 s' i# A" x    initial_prompt = "Hello, welcome to my lecture.")

4 Y- C" I! v- j5 _+ r- Hfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
0 U; D, \1 Z; ?6 {2 m               
----------------------------------------
' X! y  c' p4 B- T# P8 o
, H: C1 I- ]5 i4 C0 r8 p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。
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。
  S5 j7 S) j  I% ]  ^7 Q% \$ C3，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
' ]" y! @# m8 H  p$ M' C- ^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
2 p' ^) M' S) \7 J" B    word_timestamps=True,
7 u' A; G9 b7 e! V3 @& M保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
" m9 N) |& y/ G/ @3 q5 }; K保证能尽可能准确的断句 punctuation，但是不是决定性的。
* \3 g: k+ T$ _* _& s( j  x1 H其他参数可参考源文件：
$ R; h' d3 J  K4 h" S) v# N$ Lhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
& S' d* T# J/ c) @- O# q1 o# y! n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。
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。

' J) s6 m% o3 E- s, `" i7 U  G3 w
" p2 X* }$ `. i7 y2 p" q0 U3 v
/ @5 B! b3 R, D1 r5 z! Y

nanimarcus

多谢各位榜爷打赏。