faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

" o9 T( ]9 l9 B1 m( }; U9 u) {
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。
1 K4 j% c2 i+ [; P7 ?* Y7 M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。
7 u. g+ @- c4 i( ~% z2 P. G----------------------------------------
: m* b* d$ W8 Y  ^  b9 d5 i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。
" A5 j) I' H+ z4 \* D7 U& r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。
5 w  ]  k% B0 x4 s% T----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
9 P; j: ?6 D; ?  P& h9 r- d1, Windows 10
& e3 G% F& \4 H9 `+ b; ^2, Python 3.10.11
3, CUDA 12.1
# W# \8 B0 {1 i; z  x4, 在python 3 中安装
/ n/ c3 @- m" G9 w6 t- t0 Gpip 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。
; a1 d! G$ K+ M5 @5，pip install -U openai-whisper
; z5 H2 s7 p/ X这是向whisper 致敬，可以不装
6，pip install faster-whisper
/ ^, D+ {! E4 l( `! ?8 f2 M----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
5 U  t9 c: V) }# b3 u0 S7 \& c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：

4 B) s" P8 W# V, Y% S; y----------------------------------------
& ~  F! h; I4 F& {
/ O" n8 m9 _# }* f7 Gfrom faster_whisper import WhisperModel

model_size = "small"
% ~$ i* p* l0 ]3 }6 n! U
8 e) U& E/ a1 I. d( q5 Cmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
9 G* e6 P+ ]3 g1 o  [/ u
segments, info = model.transcribe(
+ a* M! f7 M' G/ C4 s    sourceFileName,
    beam_size=5,
+ Q* H8 M: e5 r& G" `* @( W; A& H, |- R    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))

4 D  y( }1 n$ y( x( d        for word in segment.words:
$ v' C0 t8 n9 m7 c               
8 ], w2 }; Y0 J6 _; \" V: r2 b----------------------------------------

3 [' n- M4 ~( O: u9 }& G" t代码说明：
: M" H$ e  A, ~0 M* i/ S2 L+ R1，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。
# T0 x" M' T: i$ D1 j7 g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。
  P8 X' O- C* z4 w1 ^& r% W5 p2，segment 本身是很粗糙的，做字幕勉强能用。
0 |2 h. O4 C2 c3，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。
% }! x) w2 i; E4，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。
$ {0 Q3 w# v3 l) G1 s3 r5，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,
9 X; B& V" w/ c8 w0 z5 |保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
* Y7 {' @" A( g" u% x保证能尽可能准确的断句 punctuation，但是不是决定性的。
3 h" F4 c2 i( D) g# d其他参数可参考源文件：
/ |/ \0 C, l. H+ b; u7 Shttps://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。
& y. [+ A' o6 M0 S+ C4 [
6 Z! S* W$ s2 K" ^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。
& o" M, {. S) n1 I8，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。
' J( _! O. J' H6 j9 S

! G3 m# E+ G; N5 I, {2 v
4 K+ E; w' u5 t8 o7 F5 y

nanimarcus

多谢各位榜爷打赏。