faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

4 E; @& Y2 ]% u4 b/ M. ^) 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。
  i$ ^, v& {; ~$ c/ ~, J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。
) Z: v. J$ l4 \) A& _1 Q- T/ I/ d----------------------------------------
6 v% H1 u8 P' P4 q$ @3 O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。
----------------------------------------
. E/ {4 y& ]* M0 I: Uhttps://github.com/guillaumekln/faster-whisper
安装如下：
& D3 ]/ T4 N8 `6 m1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
) H9 ]8 ~" h& G# f9 |4, 在python 3 中安装
2 A- P2 n0 F* F7 f, e/ _  Ipip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
' g: ?8 J# ?$ W4 o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。
- ]- z! O. ^# U6 B% a3 [5，pip install -U openai-whisper
' r$ R9 Y- \) l0 y, L6 h' c这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
/ x5 n2 w  G+ Y6 _whisper 我用的命令行，faster-whisper 我用的是python。
% }) K) R9 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：
( U$ G) u9 q( C8 N$ }
----------------------------------------
# g$ y. l) ^" G
- H( z  O' e6 b& efrom faster_whisper import WhisperModel
" K& u5 Y0 }1 g( j* U  r
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
( K3 ~0 `) ^  B/ t+ E
segments, info = model.transcribe(
    sourceFileName,
  L+ ^4 ~3 }, [    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
: E& b' W6 v5 {4 Q
* A# p  n3 L5 ?2 D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。
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。
+ B- I. g5 X  B0 C; O5，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
    word_timestamps=True,
4 K& b3 f7 B$ g( O) {保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
* n5 R6 Z+ C! f5 T0 E: K保证能尽可能准确的断句 punctuation，但是不是决定性的。
其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
. M& U' {' d$ |152 def transcribe(
6 u! b/ N" z7 [- k5 G  ~8 Y从源文件你可以看到是支持中文的句号断句的。
; X8 R0 }, Q9 I
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 g/ f# S3 x; _4 L' Z7，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。
9 w  K: Q3 H: V. m& T

  \0 ]% X( _6 q" L5 W

nanimarcus

多谢各位榜爷打赏。