faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

6 t$ [, A6 L6 o7 E+ G
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。
) \( U- P- {9 }$ U0 j9 F( 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。
4 v9 {1 @* |/ f* Z' b1 i, j----------------------------------------
3 {9 p' T; Y. c, n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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
) f1 r1 C: ?5 S/ O0 f2, Python 3.10.11
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
0 W- Q& J+ }3 n这是向whisper 致敬，可以不装
- B& _- w  i& Y6，pip install faster-whisper
5 B  F( Q' b  K* d, F" X----------------------------------------
  X, I; s- c: P, ?% dwhisper 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：
2 {2 Z: O0 F% s1 ^' x: v
$ t0 w; v0 U" C7 L5 b----------------------------------------
1 A2 L, Z/ ~/ z
from faster_whisper import WhisperModel

# f8 _$ w) W4 _" z/ Dmodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
1 {+ [7 {4 t/ Y& {- w
, R5 g5 Z( b0 d' y6 j7 \8 m7 Vsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
6 o4 d4 Y* W/ E; d- m- G1 M    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
. B$ y  s1 |, a  {+ l1 D    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
  G: R5 C' e0 ~) K; S: ]% q" D: q- b1 y
        for word in segment.words:
               
& {3 |% U- l& \----------------------------------------
$ g: n4 {$ X1 r- N* l  Z0 n/ o. I
5 Z. |5 p/ I6 j0 q3 R6 m3 q: ?代码说明：
  N" Z2 `3 x0 }$ c: l; v4 c1，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。
, g: ?* k% u: p2，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。
! H# o3 m& S0 _' U2 @0 l* b2 j4，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
其中
/ d# @& F) N  q    word_timestamps=True,
1 H, T+ d1 ^0 r# ]( q- t保证了你能拿到 word，否则是拿不到的
' j7 z  @1 K9 s& y# I" F4 b3 m  O5 n    initial_prompt = "Hello, welcome to my lecture.")
. r4 N% s5 P6 _  j+ S/ m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：
- N" `: K+ A) M( X0 v: X9 ahttps://github.com/guillaumekln/ ... isper/transcribe.py
8 |7 R6 ?0 d. w  L8 o+ N152 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。
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。

  l' c: c2 L7 F8 S* S2 \* v
6 I2 ?9 c0 g: V' E5 c3 X

nanimarcus

多谢各位榜爷打赏。