faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

1 E# B3 K' u: o& X. Z( S1 k) i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。
- P" t! Y  @2 z/ Y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 e5 H7 @3 R5 `! ]----------------------------------------
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, y/ q3 l% j4 x: k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。
; R& {4 ^) t0 S; h6 U# S, V; `----------------------------------------
; ^- H( p! _$ s- bhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
3 r& O4 h, F8 t2, Python 3.10.11
3, CUDA 12.1
- |5 K' ~) W, n( u6 d' v9 H4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
- ?1 K* x0 S/ ?' w; C- ^; G" ?7 ~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
----------------------------------------
; v" [# p  a$ O$ G' zwhisper 我用的命令行，faster-whisper 我用的是python。
. P  }8 O4 y/ S3 N1 K  m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：

. X5 a  ^3 Z, N- U+ R- [# U----------------------------------------

, {/ I; \* u5 Q7 C" a* gfrom faster_whisper import WhisperModel

9 D, k0 B8 m, `" j0 Vmodel_size = "small"
+ E0 X  n/ c* i$ t
model = WhisperModel(model_size, device="cuda", compute_type="int8")

4 c" \3 X3 u& d- m+ B& \segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
" d$ i, F0 u8 i/ i    language="en",
    task="transcribe",
) [# v& e5 j& g* _0 k0 m- s  {    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
. V$ c& N8 S, @
for segment in segments:
0 ~& r) w& G2 U! h5 X0 `4 c  n    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

0 T( ?& v& p! n3 U0 e        for word in segment.words:
/ y! E+ t$ r. ^! T. W8 O               
+ c  A8 R4 E# M  }----------------------------------------

  F. w8 n: p5 l: b  r代码说明：
2 j4 L- N$ M  ?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。
( v) ]/ V2 k5 ^% P" E) _6 u( 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
6 S5 a; A0 w2 O: f# r; d6 e比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
7 F. R2 _! D5 }3 h4 R  G3 M  P7 Y5，model.transcribe 中参数说明：
# z4 O4 R, t$ n; E2 x' j. |/ c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
1 p) o& L/ f, @0 T# O    word_timestamps=True,
$ |& T# R' q, m4 l0 e' _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。
6 J9 h9 Z% C- ?" m4 G, B其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
# n; |  g4 ]$ `6 \4 y152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
1 @. I$ q8 b0 L& g$ {4 L1 B' p
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。
! B9 \2 ~4 l* \* G9 V7，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。
3 O8 \; v, G7 x  e6 P8 ?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。
4 z9 h5 n  [* x6 c) D9 z+ y
1 X2 g6 C% F; {2 Y

0 u  D2 q# A  J

nanimarcus

多谢各位榜爷打赏。