faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

' t& I, F. @( Q" Z5 |
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。
  Z+ X  E% e0 [  o, I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。
* Q' Q- K2 H; U+ G5 U" g: L5 h8 u----------------------------------------
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。
# ]1 u6 E' K+ b2 I! d, D----------------------------------------
+ B+ }$ W( _: P, L5 {5 ^https://github.com/guillaumekln/faster-whisper
: t6 ]* B6 p( c安装如下：
  B/ C2 x( ]. Z0 L1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4 C, T7 K- n6 k; z4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
) A% m  W: ]' o5 D3 S- 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。
! N4 `; f8 R( j* V5，pip install -U openai-whisper
8 P: g. \+ D5 D! W  ^这是向whisper 致敬，可以不装
8 P& u& ~# O9 N# f" M6，pip install faster-whisper
7 o4 E# u+ W5 M----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
; `: c. p7 d$ @& S+ C# ?1 A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

* M  L7 z7 j$ J/ L: y  a2 Emodel_size = "small"

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

2 I! W% U& i" R: A1 o3 Qsegments, info = model.transcribe(
    sourceFileName,
% l: r( e$ P! u7 A! C4 _    beam_size=5,
    language="en",
    task="transcribe",
7 _8 G. V+ z- Q% t- a8 P    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
% l9 u5 ~  @0 r' ?6 z
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
3 H& H/ q  H& b  V# ~$ @! k' j& R
7 R! ]& m8 p% x        for word in segment.words:
# Z0 T5 ?$ K  W2 G# [2 V8 b               
, G/ {1 B3 U& S! [( L# |----------------------------------------

% H! t! _0 j0 W- H; w1 }4 g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 \. Q+ L1 }# N/ q; v3，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。
) x. Y8 ^% L4 y' H+ U, 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
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：
0 E' z0 a" S! r% I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
1 `1 K/ F, s* V' Q# W9 S其中
% G" a  N* @% @7 q8 s# F; A    word_timestamps=True,
+ c# N: N8 x' d  `; M1 f# v' ]保证了你能拿到 word，否则是拿不到的
6 @+ O' E+ l8 `. ?) k2 `! u    initial_prompt = "Hello, welcome to my lecture.")
2 H1 N+ o& `( K5 o6 d  y# q% [保证能尽可能准确的断句 punctuation，但是不是决定性的。
- O; K; {! H5 ?: M7 r8 X9 ?4 t其他参数可参考源文件：
9 }, \9 Z$ J! }1 C/ Hhttps://github.com/guillaumekln/ ... isper/transcribe.py
% Q& t1 E! }9 x5 Q152 def transcribe(
- S& }* r( U% [& Q! ?+ }从源文件你可以看到是支持中文的句号断句的。

% q4 m4 q8 }( s, c( y; b1 x6，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。
$ M" s$ E( {3 {" L- U8 d
: G7 Q; P: b% ^0 T, A

nanimarcus

多谢各位榜爷打赏。