faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

% F3 q0 D, C0 Q- z) B
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。
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。
----------------------------------------
+ K' b3 J+ a. l  G; f' o7 ]! s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。
; m7 d% r& X+ y' o, h3 ]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。
3 M: J# c+ y) `6 j4 T( h5 s8 y----------------------------------------
% M" q6 A- H) {6 v/ J* O  V( fhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 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。
9 [1 l2 d2 W& Z/ a+ Q) S' o5，pip install -U openai-whisper
. X% c1 B6 n1 i* l/ l这是向whisper 致敬，可以不装
% }+ s6 U/ Y8 e8 s% @( v3 c6，pip install faster-whisper
----------------------------------------
# W0 ^& q! \" b  \4 j" \: G: Q& H2 ewhisper 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：
2 B* D2 ~5 ]' T' o; |
----------------------------------------

from faster_whisper import WhisperModel

- |2 l; S" L, Vmodel_size = "small"

) u3 u7 ~: |; {, {) ~2 N9 Z: p" _5 Kmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

2 P# L5 x* i+ l( S1 Fsegments, info = model.transcribe(
4 P* Q8 O+ s; ^& t9 Q# D% ~, Y    sourceFileName,
    beam_size=5,
4 y$ O2 p+ j( R9 E' i    language="en",
) K. ~4 h( v, M. F2 ^5 L4 @    task="transcribe",
0 e3 l' w! v  o8 E+ f) R2 [7 M" C    word_timestamps=True,
% V4 _/ o1 o, n! M    initial_prompt = "Hello, welcome to my lecture.")

& `* \6 Q4 i5 n+ Qfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
6 A4 l. }) a! o& Z) U, t+ {
; ~% }! h* ^& G) O& q# j代码说明：
) W7 i0 ]% q& Q: T1，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。
; I! Q5 j, W( t4 c4，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。
: s( g' S5 o& R/ y5，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,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
9 ^, l& u, [) t+ D9 _, G( K保证能尽可能准确的断句 punctuation，但是不是决定性的。
. R6 T* |$ N) J* F" k' ~其他参数可参考源文件：
' w4 }, n/ A$ ~$ @$ E& E8 Ghttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
5 F, M  D4 I  a, e9 Y+ ]: z: j
' G4 W3 f* L3 d0 G6，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。
/ U, P( I: U7 M
' y& y8 L2 `* J4 @8 Y" [2 d

nanimarcus

多谢各位榜爷打赏。