faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

3 `4 g7 F' v* L& `3 R% I0 p
  x, p7 L# y+ B0 \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。
$ w. U( T  u3 |/ ^----------------------------------------
2 C2 n. g( Q5 i. ?: Z* c' 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。
4 \  Z- b- _: G+ h. \7 c1 }5 w----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
8 i7 {" x% C7 X2 B( R( A; b& ?1, Windows 10
3 m6 d' E! a4 U8 d1 T# W2, Python 3.10.11
6 E  A9 \, W9 q& `! A) D; |3, CUDA 12.1
4, 在python 3 中安装
, `+ u/ C" X' F) `' K; P* n: j% Hpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
0 ?. `( u1 f$ a7 v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
7 g- t3 S7 Q1 x- w% d0 g6 V这是向whisper 致敬，可以不装
! ~, Y8 d8 ~3 ?6 S+ \6 L6，pip install faster-whisper
! F2 l/ P* e* ^8 ?----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
9 U5 _: ]' N' f/ }9 o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：

----------------------------------------
9 p- ?4 A! J6 x2 g. V0 |" ?( D% O% a6 j* O
from faster_whisper import WhisperModel

model_size = "small"
8 G9 x4 m1 a" d" y) t2 c) _  h
model = WhisperModel(model_size, device="cuda", compute_type="int8")

! r. U9 A+ b* _6 W8 Msegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
" W' }3 H" C1 @" V    language="en",
/ R, j6 [8 R; g. M    task="transcribe",
    word_timestamps=True,
1 b0 E" y+ r8 T+ G2 \! @: k3 v    initial_prompt = "Hello, welcome to my lecture.")
8 L6 O$ M1 ^; X# u% t
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

! Y4 b0 c( j& V6 I7 p  B9 C' H        for word in segment.words:
# c' P8 ]9 }& F; P  z               
! F" O6 Z: u6 a) X----------------------------------------

代码说明：
5 I0 }! ?1 @; H! D1，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。
. z  b& V- n2 ^& `6 o2，segment 本身是很粗糙的，做字幕勉强能用。
4 m; q% H% d/ g$ h3 Y$ V3，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。
! ]! B! e6 a7 ^4 k4，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
$ k4 k9 M1 [3 ?. K0 ^* r1 x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.")
2 ], J$ G9 p( J: r( U, P保证能尽可能准确的断句 punctuation，但是不是决定性的。
( d: f8 I9 {" D4 H3 p其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
- b3 V/ X  }5 d从源文件你可以看到是支持中文的句号断句的。

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。
  ], W) n. `9 E( j6 u0 [! @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。
$ t4 p8 g: c8 }
9 M1 G" p  s$ A; P2 m. m
# q  k" s: g8 D" `3 R- T
. y3 j1 W. j6 A

nanimarcus

多谢各位榜爷打赏。