faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

* ?  Z3 e( F9 w2 S& H
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。
$ w( A. O  P0 b% _. H----------------------------------------
& b# c6 U- \* e7 t3 M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。
----------------------------------------
+ q% L  U& V9 u" {+ `0 d, Nhttps://github.com/guillaumekln/faster-whisper
5 A% V7 u6 ]. G1 w5 n1 J* X! s1 b( z. W安装如下：
# e( K1 K+ r. v" ?; t) Q/ k+ V1, Windows 10
2, Python 3.10.11
9 k7 ~. a) R1 l" H* N3, CUDA 12.1
/ H) ]' t7 G# [" p4, 在python 3 中安装
5 J* A% |: |4 j) }pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
) k% w$ ^) P/ \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
& ~7 M; s; Z3 o8 y6，pip install faster-whisper
6 s; a7 D  I6 B  b1 W3 x5 i----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
( J8 Y- ~* b. C! Z$ l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：
: h6 E1 q$ l* k4 J7 p
$ N2 _9 t5 T; P, d+ j/ k0 h----------------------------------------
: R) M! I; a3 c8 w8 z7 ~7 E
6 x. q+ s& Y$ d$ n8 hfrom faster_whisper import WhisperModel

0 n" h3 H$ [+ Nmodel_size = "small"
, r/ H3 P0 t# o
4 U+ U4 S3 R$ c1 U, \. A! _model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
& P! Q$ J/ Y  g( N9 I+ _# {# o    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
& w2 f: w# {5 a6 G  V$ R
for segment in segments:
9 j, B8 ?9 D  B    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
) V5 ~7 E) w( y6 v" R
* e7 b- X. J7 V7 i9 g        for word in segment.words:
               
- O  B+ |) J# p+ p7 [; }7 J3 N----------------------------------------
1 U. V- s4 J* N( A! o5 {( [; w  {
) y" B# t4 i0 X$ A$ b0 x6 k# y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。
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。
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
, n9 ~6 r, ~/ ^. P* M其中
5 \8 g5 q& l  q, V. x    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    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。
其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
: s2 a1 U# r  [% L) [从源文件你可以看到是支持中文的句号断句的。
  n3 I: A3 i$ B/ d9 B
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。

0 i0 e( D5 `2 H
' v2 t5 J% l8 c4 b) R$ n
6 S# x8 C* }4 r0 l- Z

nanimarcus

多谢各位榜爷打赏。