faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

8 T+ D# X9 g7 A2 y# t+ P/ H* w
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。
6 O$ |  c: }- T# C* E8 w2 R% R! f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。
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。
0 n: ?6 J- ^1 x----------------------------------------
https://github.com/guillaumekln/faster-whisper
7 i/ G% R0 r) d( C+ Z安装如下：
+ J- b3 z/ w* J' |  I" g1, Windows 10
; b$ q  w7 D; X0 e# f9 I  O; m, o! n9 T2, Python 3.10.11
- Z* o3 Z% ^8 S* q3, CUDA 12.1
/ Z+ S. q. {5 _3 w3 `4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
9 _( U  g+ N  T6 d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。
1 }5 d, U1 R% z5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
' P1 w- @/ }( W7 V9 G; i6，pip install faster-whisper
----------------------------------------
whisper 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：

----------------------------------------
' z) s) C5 S2 _" r& P' a+ @; b
from faster_whisper import WhisperModel

model_size = "small"

. H$ l: D' f& m% J- ^+ z! }model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
" A' e3 M; s2 u1 L    language="en",
% @/ f0 M% r, r1 r% F7 P    task="transcribe",
    word_timestamps=True,
' U; t5 z; `0 h4 l    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:
               
----------------------------------------
% [/ v0 ?3 [* |# l7 B
  [- H/ B& C" S7 m, R3 P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。
$ R% _: j. k' D! ?  v5 S: j7 T2，segment 本身是很粗糙的，做字幕勉强能用。
' G4 c7 T& H; v3，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。
# n5 I7 I# D3 E& z, a1 j4，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
4 s/ ~0 B5 l" ?( Q+ Z其中
6 {1 ^# g6 d! e    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
/ L# v7 k9 }- v  ^* o6 s    initial_prompt = "Hello, welcome to my lecture.")
) a8 X5 u6 M0 t; B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：
' a0 U8 V, X7 _% d' Phttps://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。
0 b! n) S' i4 y! Y  m* Y% Y
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。
, v, ?' G/ T9 O; B7，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。
6 d& H& e- k* Q& B( u! h5 C! v) o' Y8，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 Z6 {3 q5 q$ k& o0 a
5 \) d2 ^5 `3 N

nanimarcus

多谢各位榜爷打赏。