faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

& l/ y$ j% T3 e: m& S7 N
" @3 ^! d1 Q: O5 U2 R1 Z* @. l& F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。
8 T$ w5 |+ P! v3 T7 L! X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。
----------------------------------------
; s) Z/ r& S6 V# q2 u8 M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。
( ^1 E4 a1 I" J. X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。
----------------------------------------
' x% W* E/ A* \, k/ [7 N' i. |7 fhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
0 Y. ~' B5 M- K9 Z, Z: x( a/ {0 |; G4 W3, CUDA 12.1
4, 在python 3 中安装
0 ]& ]) b6 K5 v+ r9 M  ]0 I- Wpip 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。
3 q; s0 t7 q, X* j5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
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：
. D- d" ?" u+ x5 k% l6 |8 k
, n8 c% }8 d$ r; b; _----------------------------------------
) L0 M: Q8 X, K+ g! j
& J, t/ ]: @- t8 V& Y/ Afrom faster_whisper import WhisperModel
# Z$ F! `9 d) r1 {- Z, q
3 T) n0 c) B0 A- `' e7 {3 W9 \8 Pmodel_size = "small"
; g& U5 M5 \) R: I) B
) r9 v+ n+ {7 t0 H4 i4 H; pmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
& p) H6 |. F- A! `4 u    sourceFileName,
    beam_size=5,
    language="en",
2 v: K# U. w6 R. P    task="transcribe",
, G% l5 X3 [# ?1 d    word_timestamps=True,
! ^$ z% y( B2 x+ O# [, ^    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
6 h2 l+ g1 u, M    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
* e2 b# ]% e; g  g6 @1 G
& d# l  D9 ?$ ]) Z" a6 P$ T        for word in segment.words:
6 t/ m+ n; K  M) c/ V; i4 v/ O+ S               
* S% w! j. u3 p( |! _( b6 i( z  u----------------------------------------

7 c0 X" L( l# F6 m  f代码说明：
+ C  ~; d2 C: ^5 f, R( 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。
7 x8 R$ `: ?' g) s  s* X4 G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。
4 I7 M$ y5 N' N! j: m2，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。
. u& ]1 {0 K; H3 g8 D) v% B4，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,
8 L- j' F, {# J1 s6 K7 |* ^' u保证了你能拿到 word，否则是拿不到的
8 S5 z3 ^8 E5 n8 i7 d    initial_prompt = "Hello, welcome to my lecture.")
2 S0 s  L: z! p/ L9 i0 _3 `保证能尽可能准确的断句 punctuation，但是不是决定性的。
9 s2 l  v1 M' h: Y) U其他参数可参考源文件：
. M: p& h9 V2 D3 b2 M+ Vhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
) J# Y/ X% \6 W: |# s+ I" g3 n; q
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。
! t* s1 w; i3 }! T+ I7，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。
: G' I/ T( S+ k# l9 ^% S6 n- d8，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。

/ w. U0 p9 U; p& P5 `: B

; [1 f9 C6 b8 s% h- w% M

nanimarcus

多谢各位榜爷打赏。