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。
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。
1 e* ~* I7 v  Z6 p9 ], O4 J----------------------------------------
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。
6 |" u  ~9 k0 \& l( {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。
----------------------------------------
4 z8 \( v5 F) Uhttps://github.com/guillaumekln/faster-whisper
安装如下：
* {% w7 r! x' U" n* T9 A1, Windows 10
: v8 k! @$ A0 @( @) c) O7 R2 |3 d2, Python 3.10.11
! g( x: _, _. L3 Q2 |- ]+ a3, CUDA 12.1
8 G5 U# I4 X* b4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
1 }% a; A" k* D+ ?9 U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。
- l: }6 Q4 f' p" S" ]+ R& x5 K5 U5，pip install -U openai-whisper
$ x9 u' L& I6 }6 P这是向whisper 致敬，可以不装
6 J9 j, Z9 H2 l6，pip install faster-whisper
! @$ h7 g* x' N7 ~' V* N7 E----------------------------------------
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：
' Y0 e+ p6 v/ k. k
----------------------------------------

from faster_whisper import WhisperModel

1 r2 G4 N% _8 }/ M( \6 V9 qmodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

4 u4 I% a- m  E$ H3 Y! o2 c! zsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
0 T/ w( l6 T' u0 x: P    language="en",
    task="transcribe",
    word_timestamps=True,
+ v6 d# I! @$ K$ G1 r    initial_prompt = "Hello, welcome to my lecture.")
2 G# U; U( {# `4 W
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
- u* q- C, x1 U+ r               
/ f2 v) |8 L5 |' G& D5 |----------------------------------------
3 d4 X! x- v( E7 ]
代码说明：
8 M. l1 Z) J# O" a! O! I1，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。
8 W, C0 A* k% r/ a& Z# Y7 x+ _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。
( {4 t$ W5 a+ a- n6 |1 O; H5，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
" ^; H+ r! Q' L; `# |( s其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
$ X! _, C7 Z5 ~4 j0 f- K. q    initial_prompt = "Hello, welcome to my lecture.")
8 b5 @9 \7 L/ q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：
0 H1 r) w+ w0 jhttps://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。
7 D3 E& E# @1 a, |6 c1 P/ I
% s4 L9 i& V" M+ L8 {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。
6 s: v. m6 ?  g7 ?5 M$ R7，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。
5 ?4 x. i% B$ f4 P3 O" z8，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。
) @+ Y- I6 L: h+ }# Z6 N

7 }7 o. t, Q  F" z0 j

nanimarcus

多谢各位榜爷打赏。