faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

. d) Q2 W; J2 c. K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。
; D* ~$ w- f  ?6 p----------------------------------------
* z- @. d  S, H0 U* [5 r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。
8 V* t+ A- A' p) S1 n  ^----------------------------------------
4 C  E# ]$ b3 G9 h+ m! f6 J& ?2 dhttps://github.com/guillaumekln/faster-whisper
/ [3 Y/ T9 C2 V8 K& D% i安装如下：
1, Windows 10
2, Python 3.10.11
7 N7 P; ]/ I; ?" k" ~! V8 b2 H3, CUDA 12.1
, M5 @6 f- \. G0 Z9 {/ T4, 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。
5，pip install -U openai-whisper
+ Q$ G  }; T* Z1 q1 C这是向whisper 致敬，可以不装
& Z  o0 m: F( v" b2 b7 j6，pip install faster-whisper
$ ]( u8 L% H" i& g( E8 `! @----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
  `. u% t' h! B- m& I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 g' V. T" ~7 r----------------------------------------
0 M; ~' ]% n  T5 [- [
from faster_whisper import WhisperModel

; N# W/ `% o' Y0 ~' {5 Hmodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
' O6 b; n5 q2 g6 {
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
" L5 E2 p$ f6 I( T$ {' D    word_timestamps=True,
, i6 z- _/ J) L5 K7 y* a* D; d    initial_prompt = "Hello, welcome to my lecture.")

; Y0 [& ?1 W" e/ w6 nfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
* G& E# l2 }$ I' l' Y----------------------------------------

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。
+ t7 L. |: C. J/ Y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。
' A1 u( x7 N; I2 D; K% ^; 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。
( M# F+ k8 |2 p! H. Y* o4，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
: V4 ?0 I( G7 K其中
0 i0 R$ L7 H6 I    word_timestamps=True,
# F4 ?+ ^3 P3 f/ f* p保证了你能拿到 word，否则是拿不到的
- B8 |% C: K" ]# c5 M" s    initial_prompt = "Hello, welcome to my lecture.")
! `) @; |  O6 ?5 j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：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
# {- _1 k' Y" [; s; b! {从源文件你可以看到是支持中文的句号断句的。
5 r7 S% f  Y6 m1 [/ o
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。
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。

nanimarcus

多谢各位榜爷打赏。