faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

4 K2 }7 W) v, 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。
9 f3 z6 J# p" P. \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。
----------------------------------------
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。
; K- I& @2 O3 q- i/ l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
安装如下：
$ a7 [) W0 T8 ]: G* Q1, Windows 10
1 X) v1 I6 g0 P4 I* U# R2, Python 3.10.11
9 o$ Z! O5 G: Y% H5 e' m! j# e- m3, CUDA 12.1
" s- N" [4 V& u  t9 R, e4 `, a4, 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
2 T. f- N! ^3 V3 f" r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：
& f$ a1 o& S! o
----------------------------------------
& G" ~  u, s6 B1 X6 m
  E# t: C4 W, n' ~3 J6 Xfrom faster_whisper import WhisperModel
4 i3 w9 P4 D1 f+ P. q3 i% y
: `( {* i5 E' E$ V0 D' }model_size = "small"

% X% F) q  s. E7 Emodel = WhisperModel(model_size, device="cuda", compute_type="int8")
6 M3 z+ |/ S1 z+ \- i" I
segments, info = model.transcribe(
$ b! e& H  ?" }2 u& |    sourceFileName,
. Q# @3 E1 @! V5 M2 f% h7 O8 ?    beam_size=5,
1 i; m5 z6 I! `9 I    language="en",
    task="transcribe",
    word_timestamps=True,
  ]  w( [& q) M) K9 t- o    initial_prompt = "Hello, welcome to my lecture.")

* X% v7 B" {% i4 Gfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
0 v9 r( U. u) ^0 ]6 L8 r6 C& ]7 S
3 ~6 z; O& ~0 a+ s* h- u5 R        for word in segment.words:
6 M% \2 u; z4 G& `  O( L               
----------------------------------------
& ]7 d% c$ v2 e& v
. H* e) H# H: ?% I代码说明：
7 c8 J) D) z; R+ r$ o2 `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。
6 m& _2 m$ q) [, W( Y% ^7 x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。
+ {6 R8 b- C! t, `  e: g9 s3，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。
5，model.transcribe 中参数说明：
7 N+ `* b+ f7 w8 _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
, j; ~3 |+ s: s6 V% v+ {    word_timestamps=True,
- `# z$ g* p( T# P, e: ^保证了你能拿到 word，否则是拿不到的
4 n9 r# W9 J7 {8 Z% I' o* M    initial_prompt = "Hello, welcome to my lecture.")
0 q- e' t( f+ M/ d. J保证能尽可能准确的断句 punctuation，但是不是决定性的。
6 i0 T- B( A8 W其他参数可参考源文件：
8 p$ M( Z1 [* ^9 v7 i9 v) Shttps://github.com/guillaumekln/ ... isper/transcribe.py
" v3 I3 k' K9 N2 z! f) k152 def transcribe(
6 u/ e# \8 ]$ k. T6 E2 O从源文件你可以看到是支持中文的句号断句的。

7 |7 N: @' C5 ?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。

nanimarcus

多谢各位榜爷打赏。