faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

1 J. a2 @* H1 L8 J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 F' Z7 w/ d* E" }1 z$ b9 A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。
5 J, G  F) P* F+ z. p. o' a----------------------------------------
& b0 f9 r3 d  Nhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
* U) v: P/ j& n- k3, CUDA 12.1
4, 在python 3 中安装
" C8 L& ^" @' O& s7 t: Bpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
# D( w  r/ U+ }$ 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。
$ z6 k! |5 ~) H( X5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
  L* ]: e3 P) f* p----------------------------------------
/ g0 }" e' g+ bwhisper 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：
, \9 h! j3 T+ s! E3 R  b3 k
3 U1 z4 ?' ?" ?8 \  r----------------------------------------
' I4 p' w/ k8 ~/ @& V0 ~7 u1 \# k
from faster_whisper import WhisperModel

8 @2 p4 {1 d, u2 A# L) N' C" Vmodel_size = "small"
, S) l6 }6 X% N' M) A- D, a
2 a& d( o' o( k: bmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
" k/ @, i7 _& ~0 \0 S8 R
9 O% B* A" J$ g' J) Isegments, info = model.transcribe(
    sourceFileName,
" A) v4 O! l0 K7 m! d) H2 j    beam_size=5,
    language="en",
    task="transcribe",
* e+ B# Y7 q# T1 K    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
" s8 e) L8 b+ f3 J& T6 J2 \
        for word in segment.words:
5 K/ Z0 n9 L+ y% I" n# f4 i               
----------------------------------------
7 W$ @7 L! K- i, j% @* g( h
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。
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。
% L5 s9 N- R7 _, o1 g! ]9 A8 h2，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
; a  g* T# N' j, q( N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：
' h. @/ H4 z# d: j2 l* D6 e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
; ?0 U( A4 h" l5 T' m5 Q7 h$ J* J其中
+ ]& f' N4 z1 O. @- L    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
( F8 m4 x2 V7 K    initial_prompt = "Hello, welcome to my lecture.")
3 Y" @0 D) f, x6 ^! ~保证能尽可能准确的断句 punctuation，但是不是决定性的。
9 W( p& N7 G7 _+ R. _1 q1 W其他参数可参考源文件：
& W- X: B$ O- }' q( O% A/ r! n: ehttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
8 F+ h2 f# I5 g: g从源文件你可以看到是支持中文的句号断句的。
1 M* F7 h) O. c, |! 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。
  Q; ~  y+ G9 Q% v4 z7，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。


2 \$ y0 l; d+ ~8 Y/ N- _- d" q
3 A' M. Y  q  o6 W1 Y

nanimarcus

多谢各位榜爷打赏。