faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

: T/ E% ~8 h1 |1 T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。
9 M5 b2 n- m7 u$ B. v& l! B----------------------------------------
1 A- ~8 g# }+ ^0 C- B; q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 k# V1 C* Y* |* p' Y8 z9 X0 D+ ~/ ~& v----------------------------------------
+ d; ^2 w8 X7 y( q/ ghttps://github.com/guillaumekln/faster-whisper
# r" g2 l& w" }/ j5 ^# D安装如下：
: s9 D6 h6 Z; t1 J1 e1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
: U$ O8 W/ }( `9 `: T' Lpip 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
5 ~( s! w; y: ?" }  G, C1 X这是向whisper 致敬，可以不装
6 G6 y% }* I* j6 J% w' K; e6，pip install faster-whisper
7 A2 `1 y% I/ u3 X" |% s----------------------------------------
1 M7 S' b5 }! c! v% G5 f3 B8 Zwhisper 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：
( N( d+ y; {6 s
----------------------------------------
/ o* U$ O" z- [2 C* j
from faster_whisper import WhisperModel
/ F) |6 b$ t( M2 V+ m9 c' {
model_size = "small"

2 @% x1 l( r8 p) ?) H# ^model = WhisperModel(model_size, device="cuda", compute_type="int8")
) x! }7 X1 L7 N* C8 Q# L1 d
segments, info = model.transcribe(
+ P+ y; y& x' r- M- b    sourceFileName,
( O/ W; v( t6 j4 ~, Y    beam_size=5,
    language="en",
2 R0 G) `6 [% m0 @3 S    task="transcribe",
6 Q' y& ^' r+ W- U$ C0 L8 v" c    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

/ G* t$ f$ u2 h7 }6 s: Q8 k9 Kfor segment in segments:
9 M+ f* U# X) J0 k: }; N* n% s    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
$ n2 k; m* ?3 E8 l* [& x- ?----------------------------------------
5 F/ c5 M9 x5 {2 s: w
代码说明：
/ D# j. `( ?& x9 K! J- u1，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。
/ x' b: H# M9 C2，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。
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
$ q1 i5 t( G  p: A! `) e' I比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
' W5 K$ Y5 `' i# w5，model.transcribe 中参数说明：
/ L' l7 y0 A! j- K( v0 C0 |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
& G$ t3 C1 l# a2 K    word_timestamps=True,
1 z7 d% T6 [$ q/ H  h保证了你能拿到 word，否则是拿不到的
    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。
$ [) f  G" V( l/ x1 K& U' t8 j6 s- d0 r其他参数可参考源文件：
% ~6 c, }" o5 L8 f* w& p- m$ ]% `' @https://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。
3 ~% }' f) S+ m1 ~) W# U* }9 N
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。
: s4 w8 B% S$ p4 e% A/ M3 ~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。
; b) w+ G) F3 e5 s' R& O; d- u& C

' V. |. ]+ p8 J. L( R: d0 C
% X! ~' f# `9 C* m  H0 i) y

nanimarcus

多谢各位榜爷打赏。