faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

2 V$ h# |/ `( {% J6 ]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。
----------------------------------------
1 X0 g- `: W6 o1 N) C0 o" v. {: E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。
! p4 n- m* f! W1 ]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。
" Z8 W: l% m/ h& r6 J5 D----------------------------------------
https://github.com/guillaumekln/faster-whisper
* }& w1 t- ]  n9 a0 X% E/ B安装如下：
1, Windows 10
2, Python 3.10.11
7 x' ]: h5 w& L6 _3, CUDA 12.1
4, 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。
5，pip install -U openai-whisper
' k$ W+ j7 g2 j这是向whisper 致敬，可以不装
/ E7 Y! \+ k1 t% |6 }8 Y! @, X: G6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
- w/ W  ^( I- E. Q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：

9 P# ?$ c$ u" K$ J% c----------------------------------------

4 I8 ^  c, {2 M' S: Bfrom faster_whisper import WhisperModel
# U  D0 `2 r( d; Q
model_size = "small"
/ L! x/ I5 s3 \3 h+ z( Q% `
model = WhisperModel(model_size, device="cuda", compute_type="int8")
. T2 u* ]: O  Z
2 ]0 p/ c5 f2 r+ Xsegments, info = model.transcribe(
    sourceFileName,
  N' n) H7 r4 i3 U0 |) z1 M2 t    beam_size=5,
    language="en",
! J3 w5 l# p% e4 k. R    task="transcribe",
    word_timestamps=True,
% t; r0 C7 S+ o- Z# W" J5 M    initial_prompt = "Hello, welcome to my lecture.")
$ g9 w4 [7 m2 @9 w  T6 X- g! u+ w
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
( ]! ]0 H& C$ Q( f
        for word in segment.words:
* [: {. [; F. B, U, A7 H) p               
----------------------------------------

% D2 N3 S; O+ X1 F. g) s代码说明：
8 ^& S$ C4 f5 u. g& x1，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。
/ _! m) E: Y4 @3 ]' T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。
2，segment 本身是很粗糙的，做字幕勉强能用。
0 J+ @/ G' t; D- e1 t- w' R3，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。
( X9 ^- y2 C1 S/ d2 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。
$ ]" N! W) K  q7 ~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
9 F# R, U' s% |    word_timestamps=True,
! g) Y  F0 A+ Q  V+ I8 q) n6 X0 G9 E保证了你能拿到 word，否则是拿不到的
. c1 T; z* |3 k2 c8 H    initial_prompt = "Hello, welcome to my lecture.")
; n; _, y* W/ h- ?. I% G/ d- 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：
2 l% W# c' m: A0 a2 Phttps://github.com/guillaumekln/ ... isper/transcribe.py
) R* G' Y% z3 h. R1 ]6 U5 S152 def transcribe(
1 D( `1 Y. c6 x$ o从源文件你可以看到是支持中文的句号断句的。
2 s- ^9 S$ g9 t' A  I2 K
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。
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。
" I5 \4 y! B+ w9 V
8 _7 U& l1 Q$ N' r1 L- n
$ W; y9 `& Y/ m0 Y4 e$ F! C& H" _: Y

nanimarcus

多谢各位榜爷打赏。