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。
+ m' B8 v4 k% W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。
4 p$ g: s& n2 z- y4 e  H! z----------------------------------------
* t$ A7 `( d! s9 f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。
7 m4 Z9 J4 T: c$ U. L; A8 p. `% {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。
: q' @/ W5 S, d( q8 W, b! ?! L( P----------------------------------------
/ `% `! E; D% Z% v4 I  b9 d9 a+ ehttps://github.com/guillaumekln/faster-whisper
3 B* X+ Y+ h! ]% q, [6 ^安装如下：
  \0 D: m4 h: u1 C3 O+ ]/ `% q1, Windows 10
6 x- I$ P% Q' S9 c/ S3 y2 l2, Python 3.10.11
  U+ l' D( V0 V2 b3, CUDA 12.1
) V7 Z6 j  J* Y. H4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
4 f# C5 e3 R1 Q" d* U7 _3 L+ j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 E5 j0 D/ o/ e% I  H- s; j& n. C这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
2 ~, m* \2 B( N' Cwhisper 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：
5 [4 b" e+ S4 a2 G: P+ v
----------------------------------------

& s! z& R6 `$ R4 N8 X% n! R6 Y) Ffrom faster_whisper import WhisperModel
# I& V5 ~! b9 `
: f" d: n1 C9 r1 W5 Mmodel_size = "small"

! }- K& p( n+ ymodel = WhisperModel(model_size, device="cuda", compute_type="int8")
0 ~( `" T$ i# C+ k0 S6 `! a" B
! g+ d' E2 v+ o( L6 V+ R, {# U4 Dsegments, info = model.transcribe(
/ e, v" H* W: |- I. Y* |    sourceFileName,
* t# {! b5 I# e8 h& K    beam_size=5,
    language="en",
    task="transcribe",
9 z. ~8 I( ~$ z! ?5 h    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
( B: B# y9 ]- L5 n; }
9 Z6 n. o" S) J$ g! bfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
2 @, n( S9 h  t, x               
' u1 @! h' r0 T7 n2 A2 d$ ~/ v; G, A----------------------------------------
; g1 l8 i0 Z/ f$ }+ W
* w3 i' m. z2 s$ Y' l' B! L代码说明：
1，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。
4 I/ u( X' Y+ r. |' E5 b2 S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。
7 Y7 c6 M* e- Y* _* {/ {7 b2，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。
5 h' x$ g6 [/ @* m/ l' o/ e0 z* ]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。
0 Y) E2 N% n1 M/ ]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
) u; l% p2 V* a: n) Z  D    word_timestamps=True,
+ E3 m. f! A+ w; ^3 c保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
- N# T: U( _* G' g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：
9 v6 x. q/ t! E, }6 }4 [' M7 k) qhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
9 t. m& F: i4 N从源文件你可以看到是支持中文的句号断句的。
. F& `3 B2 e* t8 k* c
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。
4 J) w- _3 O8 C1 |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。
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。

7 b- U. j/ |/ _! z

7 H9 J& d; {; Y5 m2 Z( N1 E

nanimarcus

多谢各位榜爷打赏。