faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

; _7 `/ [" w; [3 h$ S
5 a/ `2 Y5 P: M! y3 ~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。
2 v4 |0 `& Y! M----------------------------------------
9 i" p) i1 L( g4 s3 C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。
5 J- U0 ?  b1 s- B' h----------------------------------------
0 a) o9 C. p* Ihttps://github.com/guillaumekln/faster-whisper
0 r6 X0 ^# J" T安装如下：
  X2 _& _( s: C+ G# U& [% L1, Windows 10
* f6 K; `: x7 z  W/ O0 }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
  ^& e3 R4 {  X* f' L$ s% 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。
/ S5 y9 }( W) H2 Z/ w( l* R5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
! J8 S9 @1 ~) C* y, U9 d" J1 ^" t6，pip install faster-whisper
----------------------------------------
7 D- k! ]5 m9 g  nwhisper 我用的命令行，faster-whisper 我用的是python。
6 Y- D: M( i! r$ F/ W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：
% x; Z/ n3 c% S9 ^0 ?& L0 n0 Q
----------------------------------------

from faster_whisper import WhisperModel
* G* I8 ~: A9 Q. a; ]) ^" N
model_size = "small"
8 J% `# E# P/ S9 ]& E
( G& k* Y0 j/ S4 X7 m* j, Umodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
8 _- s# W$ [' q; m% S    sourceFileName,
# s/ z& u6 c  H* d2 ?, [    beam_size=5,
    language="en",
- X, e0 }. Y, T# m    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
, G$ j/ m9 j8 a& H6 _' v: C
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

) g: U8 N; l- |6 P        for word in segment.words:
               
9 r' _# x% E. ?' e% ^% n----------------------------------------
5 d/ ^( x6 c) ?+ e+ A# f' a; }
代码说明：
& I0 ^# f2 [9 j+ w1，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。
& I( e/ x" Y2 f' d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。
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
6 ~9 j; Q6 N+ ~% L: Z" a5 p比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
# K3 ?7 \, {2 w' }, }8 Q& r# \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
其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
4 J. T$ ~8 e) K7 O: V, @8 r9 w    initial_prompt = "Hello, welcome to my lecture.")
8 S! i' n* _# _) l: p& d  w: b0 N保证能尽可能准确的断句 punctuation，但是不是决定性的。
0 y* X1 j3 r  c- z; q* r: F其他参数可参考源文件：
% C; T" t2 _0 e# i  I' ~" O+ j6 [( yhttps://github.com/guillaumekln/ ... isper/transcribe.py
2 b# W: o! i1 @! @% k7 @' _152 def transcribe(
& x, v6 z0 D% Z! Z, y  q4 o从源文件你可以看到是支持中文的句号断句的。

" b2 p5 E7 W& S; c  p( [9 p6，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。
+ t$ V/ u% G5 B5 i7 e" ^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。
% ]; {& N/ j. [& n: O6 t+ T8，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。


- ]  Q" }' W- J8 i6 H- w
! f- O& w3 W2 d, `2 J

nanimarcus

多谢各位榜爷打赏。