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。
* u& G; g! M! t# u% ?* n9 ?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。
: x! R; F& x, E3 O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。
+ T9 R7 Q/ w1 n----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
+ L- h2 z# ~1 i9 E6 D3, CUDA 12.1
4, 在python 3 中安装
5 H  h5 |2 I0 z: q( Hpip 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
, n, O% n9 D* j0 ~$ C这是向whisper 致敬，可以不装
: g) y3 v8 F6 b/ ]6，pip install faster-whisper
) U' _$ A, s* {) N----------------------------------------
9 l. h7 H! H% ?) u5 B; {9 y9 uwhisper 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：

! U# m& s# S( `$ F) B4 p----------------------------------------

from faster_whisper import WhisperModel
6 ^# q$ C' ~5 K/ Z( G  A+ d
2 c# `1 I. l# D: y0 B) d, gmodel_size = "small"
# O$ ^+ G3 i2 i9 Z* m
model = WhisperModel(model_size, device="cuda", compute_type="int8")

6 I  Z. w; M4 ^3 Zsegments, info = model.transcribe(
& @$ v) T! E6 T    sourceFileName,
+ n& n6 M6 _* |$ B2 b/ [    beam_size=5,
* g7 p  y; [" U- H' w7 k    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
6 e" n" L. o# @7 [4 [3 q: F
# G4 A; q" K+ N. K! r' J  Sfor segment in segments:
) G6 F& B& ^8 U3 V  @1 h) b( t3 ]' a8 z    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
6 L" ~* r; K" A9 I# @, n6 x               
9 I1 P* T4 M& r! G2 V9 q8 ?2 k- J) ]----------------------------------------
1 ?) ~6 y8 k7 |" S: g
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。
7 i  |( b/ n* X3 w$ K, E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。
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。
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
0 ]8 X+ R/ X' i' Q2 ]. e. m; v  Z其中
    word_timestamps=True,
6 ^+ W1 L& @1 _保证了你能拿到 word，否则是拿不到的
4 J" g7 \! m" `; s! A    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。
( J( R0 Q! v# j, Q' L  k# T4 A其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
" ^+ I7 m+ K/ o- B+ d152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

/ q: x' n: n1 b5 ?/ h, 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。
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。

, x0 ^9 |6 {& A- T( o; [
3 J3 X3 r- O: g
; u! J" P" c- U3 y

nanimarcus

多谢各位榜爷打赏。