faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

6 G* b! z( w6 r6 \1 h  V$ B
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。
& l4 r/ V# z; E1 [. c8 \- A5 g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。
5 R" r# g1 Q0 X) k6 t; M5 M----------------------------------------
) P6 i) y. k/ }: q& |. Y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。
----------------------------------------
+ a, c5 q! h& c: r5 }https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
9 y6 x' Y, N5 o8 D# \0 e4, 在python 3 中安装
4 M$ p+ c! x2 U; m& T$ U: fpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
: R, X1 ~' r0 |! b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
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。
% Y0 R4 _: U. ]/ H* Z8 P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：

----------------------------------------

from faster_whisper import WhisperModel
% d2 ?  ~6 B! f( E
model_size = "small"

- V- {, G: }0 _7 gmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
$ }$ G( `8 C7 `5 S& n& _    sourceFileName,
6 [$ G& }: [" N5 T! J! [    beam_size=5,
! S" u: I( e4 B9 I: _4 k& h  i! @    language="en",
7 Y9 M! k: z7 ~    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
% k! w- H7 K9 H2 X9 n( @7 F! Y    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
$ K# u( b; n  t0 B
        for word in segment.words:
) a: V, M/ ~4 |9 k7 Y               
, O9 ]0 L# v5 j# R" N3 H; `----------------------------------------
, p- m5 k6 {3 }  d
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。
2，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。
; x2 S5 B9 |( M2 V7 K: V2 X  H4，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
* e& z' W, q1 I( g, ]  }1 v比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
- ~, C& B4 I$ O3 M1 [6 u6 [1 p5，model.transcribe 中参数说明：
; L$ l7 F& }  t; b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
( B' L# O1 _5 {4 t% h$ q其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
# ^0 }8 p/ S4 a# r/ Q; S    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。
) G  E( R, \" a其他参数可参考源文件：
4 N( \0 z2 _+ r( K9 E2 t' K; U) Nhttps://github.com/guillaumekln/ ... isper/transcribe.py
9 I( P0 y2 @' \152 def transcribe(
7 g5 y) m  ]- k9 C/ i1 v8 ^/ _从源文件你可以看到是支持中文的句号断句的。
  U, Z1 Q3 {/ W( L
* a! j* e; n, G+ ^3 X3 h. O, I; n6，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。
5 d9 o% N3 }3 \2 u. I8，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 `/ A' h. A$ d" y  E. V+ ]
. ^8 Y: C8 Y; ~4 `" P
; ~7 G* y% z+ _) t& r2 M! Y

nanimarcus

多谢各位榜爷打赏。