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。
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。
0 _$ V, O9 H- I" i* n----------------------------------------
* ?* O) g) w# @* K# h) L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。
! }6 d* d/ o9 E1 c% x----------------------------------------
$ Y$ Y/ r2 l9 ]9 M* n( Q8 thttps://github.com/guillaumekln/faster-whisper
9 J! O5 N0 O  R7 p1 ]0 R. e1 T  u安装如下：
1, Windows 10
4 v  w  k+ Z7 j) |0 B2, Python 3.10.11
3, CUDA 12.1
' h) Q( V$ i# g: ~+ ^* H% M4, 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。
9 }, W# @8 s) \: {; p! ?0 e5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
* w8 @4 q* G7 `% {, c6 D, ~6，pip install faster-whisper
----------------------------------------
  R: G5 j; s6 Z: `. _! c+ t" owhisper 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：
7 ^1 g+ D# h" N- g
2 A2 P1 \6 C; i8 m7 C----------------------------------------
  |* p: I1 P4 Q" a% m
" [9 g3 X0 g! F: ^. f& q3 h% \$ xfrom faster_whisper import WhisperModel
" Q$ e; `; W& X# m! g7 q" O6 E, E4 i
% }+ I3 c6 A/ f% k$ c3 ymodel_size = "small"

( T' F% S. S1 }: Y4 O! |+ imodel = WhisperModel(model_size, device="cuda", compute_type="int8")

6 x6 G: ~  S  msegments, info = model.transcribe(
4 r, C' ^: y: {) ?6 L2 X    sourceFileName,
    beam_size=5,
7 {3 }0 u* X, v+ w    language="en",
    task="transcribe",
: M2 a2 _' F' T/ C, k# _    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
  z! W( |* e  Y+ B4 s3 |/ k
4 ~7 D# c+ x3 {2 H$ @. c/ e0 Hfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
8 Y$ v, N; q; v( l% B2 j* e               
----------------------------------------

8 O8 b) d* y9 K" A: F代码说明：
) c9 t! c4 A% k( i4 S8 i( A/ F- 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。
  O: q  H: C5 D$ @2 b7 i+ r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。
0 w6 A  T$ k1 s7 Q6 ]( k, {( j2，segment 本身是很粗糙的，做字幕勉强能用。
) e' }; M* x! A- @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。
- H% i: f- Z% I3 a* D+ c0 B, j  W$ M5，model.transcribe 中参数说明：
( g2 n  u- ~9 n8 [/ F+ u4 ^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
* b1 ~9 b3 d6 @其中
    word_timestamps=True,
+ D$ [3 x  Y6 z, k# O9 c, \/ ^, O保证了你能拿到 word，否则是拿不到的
' @4 X' J6 r) t2 e+ S; y    initial_prompt = "Hello, welcome to my lecture.")
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：
8 q  m% w4 e; w, V' n" H; k1 mhttps://github.com/guillaumekln/ ... isper/transcribe.py
4 u( L5 ^$ Q! `: M152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

& J1 i6 h& w$ J# p' ]% o6，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。
( {0 S2 d5 s+ z$ T% B, `4 u) u7，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。
- a% h; ~( k4 ~: G8，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。


2 M  s, Z4 H. {9 ]6 R& W) o. r/ {

nanimarcus

多谢各位榜爷打赏。