faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

% s5 T$ P6 h/ `7 \3 a6 g
) s# P+ U- ]' P- {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。
----------------------------------------
3 l3 V/ H# r& S; b7 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。
8 \( A8 q( c( L( I. V* I; \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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
' q* }; |0 x* C. H安装如下：
1, Windows 10
2, Python 3.10.11
  T; h1 O* j- E& d6 @3, CUDA 12.1
4, 在python 3 中安装
5 r4 B/ L6 N! wpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
( n. k& B7 ]! B+ U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。
6 [9 a* g; ^6 B0 j* u1 _5，pip install -U openai-whisper
  }- C! @) v* H9 J3 o2 F7 J  _* j这是向whisper 致敬，可以不装
/ U6 U# F9 U1 s6，pip install faster-whisper
----------------------------------------
- A0 Q+ o, w4 S7 [3 M  l: t" k+ lwhisper 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：
! y; @1 L9 S( P4 W
! h) I( {  x8 O4 h( p----------------------------------------

from faster_whisper import WhisperModel
5 w" k8 k8 e, Z* v0 q
2 v/ {1 H. k% c% @* Amodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
) G8 A2 M9 K0 \# x4 s6 w9 ?    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
7 }; Q, H* |' S, m    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
& q) _9 U. _4 M
' @8 q$ @9 j1 L. \7 U/ K* S        for word in segment.words:
               
6 C7 E$ |; K1 w; ~1 F+ n+ a----------------------------------------

) z9 p0 f5 L1 Y9 L代码说明：
3 D( m8 c4 p1 {, O0 h) }" H1，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。
9 S  w  O! U* ]& b0 h3，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。
% j0 |  \9 [( {% v  |, y: w& a4，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
: R. b5 ]% ^+ B' k# p& K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：
1 _* h2 u) s2 G7 ^6 ~4 F" C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
    word_timestamps=True,
" `0 m* H. P9 K' T& c/ S" O保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
9 A7 g3 s+ R* b保证能尽可能准确的断句 punctuation，但是不是决定性的。
9 P( a0 ?0 @2 C- u  {+ t/ K其他参数可参考源文件：
3 a3 O; @6 ^5 B& [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。

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。
0 G% ^9 t3 l- G7 P& o4 [5 ^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。
. _- j. N  f* p0 L) q; Y
) S( ]2 L+ }* @, U
; p* I" B2 ?2 P  E
$ W. p. k8 C2 K* t& {( R

nanimarcus

多谢各位榜爷打赏。