faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

: Y$ G5 A( G+ q& M
) Z$ [2 b( @1 E  G$ H! L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 X1 e7 V/ X+ ^% O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。
8 O8 d- y' E7 j) P) \+ ]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
! C3 i* C! T! B1 K+ A" H% i: \安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
, j& R+ y1 d) g! u0 y- W  q( h4, 在python 3 中安装
( O/ [9 F* v- i1 ]$ X9 Ipip 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
这是向whisper 致敬，可以不装
& D' A1 Q' d6 ]  ]4 F6，pip install faster-whisper
/ |7 c4 o9 [' L0 m# x; `9 G* J----------------------------------------
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：
& E, Z0 j; i6 o* }
----------------------------------------
$ G% j, {! t* K- l, B& k4 S
from faster_whisper import WhisperModel

# g0 _# N* S$ F- H2 d/ ]model_size = "small"
0 M; P' `2 p, t* e- ~: }+ ^
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
7 v! F2 p* u5 z( _: N    sourceFileName,
1 J$ n+ g- e# U( g: l$ {- w" F    beam_size=5,
) |( H6 R: S" |- _& F3 J* N    language="en",
8 q/ L! `' B+ ^) d    task="transcribe",
  ^- C4 [0 q! s5 R. V    word_timestamps=True,
8 N6 L+ ?. `4 g5 w1 t    initial_prompt = "Hello, welcome to my lecture.")

$ T5 ^/ Q1 ~2 S6 T% Yfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
  G9 b; N6 c) @. H  P' ]' V& E  ?               
----------------------------------------

代码说明：
) w/ M0 Z. ?8 D% L0 B- y! {' X1，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。
7 z4 L# ?8 a0 ^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。
. X6 I+ p! n+ b% i2 O6 C9 ~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。
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,
: M) g) P5 J, E4 P8 O, b( Z5 @保证了你能拿到 word，否则是拿不到的
+ l4 M7 ?) H  T; l  g( p1 l( i9 ?  |    initial_prompt = "Hello, welcome to my lecture.")
  F1 `" l1 T. o+ A  s8 c保证能尽可能准确的断句 punctuation，但是不是决定性的。
' Q" ~& W% E% ~& n其他参数可参考源文件：
1 |+ ]6 s- p$ k' Z) d* khttps://github.com/guillaumekln/ ... isper/transcribe.py
  r7 a7 w( k' V- n152 def transcribe(
. z7 v! B1 @. w从源文件你可以看到是支持中文的句号断句的。

6 j0 J9 E5 D% l( N* D6，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。
* w8 j$ g! z7 z# i$ {6 ?
0 H# [9 n5 K6 ^% l/ L+ Q; x& w
9 `( [4 |, ]; V, E. _8 I
0 q$ q" I3 T7 f

nanimarcus

多谢各位榜爷打赏。