faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

* f  h; H$ n* x4 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。
6 l. @" N* F( z% b, l9 I! a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。
$ }& A7 F  T; j# D6 J* n# {! ]/ j----------------------------------------
0 I5 x% x$ o: @1 q, 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。
----------------------------------------
( H$ ^$ x8 N( v0 h) Zhttps://github.com/guillaumekln/faster-whisper
, s+ U6 d' g# C2 s6 m安装如下：
1, Windows 10
& L( i0 T, V* R9 v0 X4 o5 f6 X2, Python 3.10.11
3, CUDA 12.1
* X$ P4 o9 K/ u: S* p% F/ z4, 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。
' q5 w' f1 `% p) N5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
4 g; b: \4 o* W& L----------------------------------------
2 N7 `9 S7 B4 c( Ywhisper 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：

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

4 L& G) d# {3 W2 Q3 s+ Lfrom faster_whisper import WhisperModel

model_size = "small"
) [0 `& M" [+ @4 k
2 H3 o0 V" H) X) [# ?! jmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

* d; u. ^1 w! A- @  Jsegments, info = model.transcribe(
7 w! W8 l$ j% q% h" z, ]1 v    sourceFileName,
    beam_size=5,
. E4 u( x, F, r; Z; u2 ?$ u    language="en",
- ^, s1 c5 f0 J4 I- u$ F, G7 e' ^    task="transcribe",
/ {9 W8 p( r( V! j- X    word_timestamps=True,
- i* U* z5 ]& J; U! _4 j! M    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
! B( t4 v5 `5 r3 S" y8 H" c
代码说明：
& D9 ^4 W% T1 @, ~/ j1，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。
( T% `5 D: Y$ c7 a! R: W2，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。
7 ?, r0 }6 N! C9 M6 ]0 N4，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：
! @  F+ O& ~/ `3 ?0 f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
) ^; u6 k9 s" v- ?, }其中
    word_timestamps=True,
0 F4 W4 A( g# K+ U0 o% N保证了你能拿到 word，否则是拿不到的
0 B+ ~2 n* Q5 v  W; s0 _0 I    initial_prompt = "Hello, welcome to my lecture.")
* W' l* U6 u1 n  z% w: 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：
+ t: X; V) }2 A/ ?* H3 o! \https://github.com/guillaumekln/ ... isper/transcribe.py
, I* w4 \* b* @152 def transcribe(
/ a2 K( t% o8 S: E- r% Y# j从源文件你可以看到是支持中文的句号断句的。

& o6 Q# G) [/ q; b7 T4 I5 c" E6，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。
& {- @, u* N) _3 ?% U" b3 p8，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。
/ T" C+ _6 @& z5 T


; s" N+ N- d( t

nanimarcus

多谢各位榜爷打赏。