faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

2 K/ S( V2 P* G, L) t; i
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。
: T7 _+ ?" i" [+ d* {% x3 k# X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。
+ y1 K2 I& r" _* e' `, S% C----------------------------------------
$ m* Z6 }0 ~0 [7 U' S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
2, Python 3.10.11
! b7 J( Z" Y* ]3, CUDA 12.1
1 h& v" L( \/ B- E% R4, 在python 3 中安装
4 X3 w  W3 {) K: Spip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
' E* y9 F4 P" M, K3 B6 m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。
. A9 \' [. x0 d* r5，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。
9 o# Y/ T, @, @/ E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：
. c7 t5 P; S- L2 G+ d
----------------------------------------
9 u9 ^7 [% h5 B6 g% S$ H8 H
from faster_whisper import WhisperModel
; i1 s0 _0 C! o0 S, h
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
; ~% b9 m- v9 D9 |$ H" h$ o
segments, info = model.transcribe(
) y3 ^! N. I: k1 d3 @    sourceFileName,
    beam_size=5,
/ z2 [- F6 p& k1 z    language="en",
    task="transcribe",
  r+ h2 Z( W, K. D7 H6 T    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
5 \7 w1 w7 [9 i- ?    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
0 w( M+ D6 d& _
        for word in segment.words:
/ `0 I- T, `7 K- v  i) D               
9 @+ l# q4 \1 A/ d5 g: z----------------------------------------

% {- [7 [. M& e) \5 F代码说明：
0 {' l* ~% P/ l+ E1，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。
  d) }$ j+ d* b- S) ^9 k3，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。
  ]5 F9 f; N& X  E8 b4，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
3 b; L/ I: l& v+ W- m. B) ?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：
9 o: q4 d- H3 d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
) {7 P5 W  C  H$ b" T( d! {& |    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
5 N2 u( A+ e& `3 ]8 z    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。
  A' A# X0 K- N/ f2 o4 x$ D$ j1 s: z其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
! t# W. a4 b3 j7 y8 j! c- y从源文件你可以看到是支持中文的句号断句的。
8 t( t4 ^0 L" K; g% M& y* 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。
+ f" n- F' f; W8 l. y8，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。
$ f. y# u" m* E7 p2 r
  U' S) d1 `& L% G$ y4 E1 u! w. a
. b. h. q! y/ l* Z6 y5 K

nanimarcus

多谢各位榜爷打赏。