faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

; h/ H/ \; f& y7 ^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。
----------------------------------------
& \# e3 U6 C- R# z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。
----------------------------------------
1 W. K9 f; ?3 _: q' T8 _0 Mhttps://github.com/guillaumekln/faster-whisper
. R5 m4 K$ `- ]2 q' l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 k: @5 j1 S: P5，pip install -U openai-whisper
2 R" b+ k( w1 M' a9 ~这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
8 K8 Q  H) N+ r6 `8 q' j, l8 {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：
" t' ~: h" n- D: N; C
----------------------------------------
% x3 [2 M/ W# Y! ?: R' M
9 P* j7 ?/ H3 d8 O$ H, jfrom faster_whisper import WhisperModel
$ w8 A/ e7 Q) ]7 y' B0 i8 L- Q. l
4 s1 Z, D: G& Fmodel_size = "small"

8 s1 F# m* }! j$ ~: C) m2 Tmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
0 E- b" G" U* i& N5 H, P    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
: K: d* ~$ Q& V& d1 f. u2 W    word_timestamps=True,
2 D6 i' w/ k( t, a# z8 V! n    initial_prompt = "Hello, welcome to my lecture.")

8 s9 O2 ~2 L  Pfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
8 k" q2 i  |+ U3 F- k0 b; {
        for word in segment.words:
% X) ?0 D2 N7 D! w* `               
----------------------------------------
! e) K4 G. ?; I7 `, O+ `
: R3 v7 S+ F% Y2 m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。
/ W2 e- z8 V9 T/ x; ]# @% T2 Y( B2，segment 本身是很粗糙的，做字幕勉强能用。
5 n' M; Q- a3 c" V7 f3，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。
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
  b- o' ^9 ]$ a) i7 {3 q其中
; t- l! Z9 i3 R9 W+ J6 u3 C4 o    word_timestamps=True,
* U! E9 }" o# f2 M( o4 b4 A; c6 A9 ~保证了你能拿到 word，否则是拿不到的
8 I% D% Y. D' |$ A    initial_prompt = "Hello, welcome to my lecture.")
保证能尽可能准确的断句 punctuation，但是不是决定性的。
6 r1 D% {# E' w其他参数可参考源文件：
https://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。
4 ^1 k+ ^8 L! M5 g; D
  n- l$ @" f* {0 X5 I# X6 x6，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。
: \) w0 v. I2 e) J7，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。

5 Q- o; a1 Z! {; T2 V2 K
* M/ `: x) A0 [$ v" w# I
: N$ o6 c9 c; X7 n

nanimarcus

多谢各位榜爷打赏。