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。
3 e3 m4 S- O1 S: {0 q6 Y+ d2 g$ K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。
  ?/ d3 g& W+ Z" s5 y: v" 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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
9 F* a) L  _5 P0 c7 P% Q安装如下：
; d; G( k4 h% g; h3 t; a3 k  u1, Windows 10
2, Python 3.10.11
2 u3 m/ l/ T0 Z" U& b2 _: p' N" y3, CUDA 12.1
, p& e% |' L) o. |6 P4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
) ~! ]' r+ K6 i% K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 j0 X) y, C. i3 o0 b5，pip install -U openai-whisper
6 M: }: E0 ]- A" b+ X3 H9 J6 ]这是向whisper 致敬，可以不装
* ?4 Q" d5 z7 u) _0 A. L6，pip install faster-whisper
, Z0 y( s4 }% G9 r----------------------------------------
: _8 @% w. a. [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：

----------------------------------------

% R9 F+ [6 _' Rfrom faster_whisper import WhisperModel
1 v5 [, W+ w, i& B' K# y- _, \. M9 a3 ?
& l! K/ e) p6 h/ p8 Bmodel_size = "small"
/ D1 a7 S9 _  _+ L8 }2 q" Z
- B( v- _# H# h+ `# ?model = WhisperModel(model_size, device="cuda", compute_type="int8")
* ?2 ^1 H, r% \! U+ _7 O
9 X) I, R) R) U9 m$ wsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
; x0 P* l  |# J" l, \- f5 X    initial_prompt = "Hello, welcome to my lecture.")

; D" C! f$ a; M" W& {1 ifor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
3 G% p3 T4 N  G& ]. d! r3 k) D
7 Z5 [. W0 f: D: x        for word in segment.words:
, x+ i7 Z" C0 i               
- M, O2 I; R) r* F$ z  d----------------------------------------
- j0 \' I( q& P6 ]3 F; h
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。
9 L3 v* E7 o: Z' |, {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
# O% M  g3 v" l; B4 p/ d比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
" @: {# }3 A9 o. q1 X5，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
    initial_prompt = "Hello, welcome to my lecture.")
* k, |. J9 e) @5 o) g! A4 X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：
. n( S; v' y3 R' p$ T' d( {3 vhttps://github.com/guillaumekln/ ... isper/transcribe.py
  W+ X& v. ^- k0 D152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
& E: A, m2 {! w4 H& M0 E, D: p8 Z1 ?
3 N' q6 P6 a  p# B" V6，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。
, m( ]& p/ I: |6 _* E% r8，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。
$ U/ h  s) I0 }
# N, f, A/ h# ?" A5 M/ S% Q
1 W, g( P" X& b1 J

nanimarcus

多谢各位榜爷打赏。